为什么过滤器默认删除 spark 数据帧上的空值？

Question

filter 在包含 null 值的基本 Scala 集合上具有以下（并且非常直观）行为：

scala> List("a", "b", null).filter(_ != "a")
res0: List[String] = List(b, null)

但是，我很惊讶地发现以下过滤器删除了 spark 数据帧中的空值：

scala> val df = List(("a", null), ( "c", "d")).toDF("A", "B")
scala> df.show
+---+----+
|  A|   B|
+---+----+
|  a|null|
|  c|   d|
+---+----+
scala> df.filter('B =!= "d").show
+---+---+
|  A|  B|
+---+---+
+---+---+

如果我想保留 null 个值，我应该添加

df.filter('B =!= "d" || 'B.isNull).show
+---+----+
|  A|   B|
+---+----+
|  a|null|
+---+----+

就我个人而言，我认为默认情况下删除空值非常容易出错。为什么这个选择？为什么 api 文档中没有明确说明？我错过了什么吗？

Answer 1

这是因为 SQL 的标准不是 null-safe - 所以 Spark SQL 遵循这个（但不是 Scala）。

Spark 数据帧具有 null-safe 相等性

scala> df.filter($"B" <=> null).show
+---+----+
|  A|   B|
+---+----+
|  a|null|
+---+----+


scala> df.filter(not($"B" <=> "d")).show
+---+----+
|  A|   B|
+---+----+
|  a|null|
+---+----+

编辑中注意：默认情况下不安全的要点是允许 null 作为测试结果。缺失值是否等于 "c"？我们不知道。一个缺失值是否等于另一个缺失值？我们也不知道。但在过滤器中，null 为假。

为什么过滤器默认删除 spark 数据帧上的空值？

why does filter remove null value by default on spark dataframe?

sql

null

apache-spark

spark-dataframe