Kommentar
Åtkomst till den här sidan kräver auktorisering. Du kan prova att logga in eller ändra kataloger.
Åtkomst till den här sidan kräver auktorisering. Du kan prova att ändra kataloger.
Returnerar en ny DataFrame som null-värden fylls med nytt värde.
DataFrame.fillna och DataFrameNaFunctions.fill är alias för varandra.
Syntax
fillna(value: Union["LiteralType", Dict[str, "LiteralType"]], subset: Optional[Union[str, Tuple[str, ...], List[str]]] = None)
Parameters
| Parameter | Type | Beskrivning |
|---|---|---|
value |
int, float, string, bool eller dict | värdet som null-värden ska ersättas med. Om värdet är en diktering ignoreras det subset och value måste vara en mappning från kolumnnamn (sträng) till ersättningsvärde. Ersättningsvärdet måste vara en int, float, boolesk eller sträng. |
subset |
str, tuppeln eller listan, valfritt | valfri lista över kolumnnamn att överväga. Kolumner som anges i delmängden som inte har matchande datatyper ignoreras. |
Retur
DataFrame: DataFrame med ersatta null-värden.
Exempel
df = spark.createDataFrame([
(10, 80.5, "Alice", None),
(5, None, "Bob", None),
(None, None, "Tom", None),
(None, None, None, True)],
schema=["age", "height", "name", "bool"])
df.na.fill(50).show()
# +---+------+-----+----+
# |age|height| name|bool|
# +---+------+-----+----+
# | 10| 80.5|Alice|NULL|
# | 5| 50.0| Bob|NULL|
# | 50| 50.0| Tom|NULL|
# | 50| 50.0| NULL|true|
# +---+------+-----+----+
df.na.fill(False).show()
# +----+------+-----+-----+
# | age|height| name| bool|
# +----+------+-----+-----+
# | 10| 80.5|Alice|false|
# | 5| NULL| Bob|false|
# |NULL| NULL| Tom|false|
# |NULL| NULL| NULL| true|
# +----+------+-----+-----+
df.na.fill({'age': 50, 'name': 'unknown'}).show()
# +---+------+-------+----+
# |age|height| name|bool|
# +---+------+-------+----+
# | 10| 80.5| Alice|NULL|
# | 5| NULL| Bob|NULL|
# | 50| NULL| Tom|NULL|
# | 50| NULL|unknown|true|
# +---+------+-------+----+