pyspark：数据框在另一个数据框的列中按ID选择行

Posted 2023-04-15

【中文标题】pyspark：数据框在另一个数据框的列中按ID选择行

【英文标题】：pyspark: dataframe select row by id in another dataframe's column

【发布时间】：2019-04-18 09:29:14

【问题描述】：

我想要

按time_create==last_timestamp过滤df1， 通过从 df1 中选择的 store_product_id 过滤 df2

---

这里我只以df1为例，

按 time_create 选择很好：

df1[df1.time_create==last_timestamp].show()

但是，使用选定的store_product_id，过滤原始数据框df1 给了我很多行。

df1[df1.store_product_id.isin(df1[df1.time_create==last_timestamp].store_product_id)].show()

我还尝试收集与time_create==last_timestamp 匹配的store_product_id 列表。

ids = df1[df1.time_create==last_timestamp].select('store_product_id').collect()
df1[df1.store_product_id.isin(ids)].show()

但出现错误：

Py4JJavaError: An error occurred while calling z:org.apache.spark.sql.functions.lit.
: java.lang.RuntimeException: Unsupported literal type class java.util.ArrayList [01e8f3c0-3ad5-4b69-b46d-f5feb3cadd5f]
    at org.apache.spark.sql.catalyst.expressions.Literal$.apply(literals.scala:78)
    at org.apache.spark.sql.catalyst.expressions.Literal$$anonfun$create$2.apply(literals.scala:164)
    at org.apache.spark.sql.catalyst.expressions.Literal$$anonfun$create$2.apply(literals.scala:164)
    at scala.util.Try.getOrElse(Try.scala:79)
    at org.apache.spark.sql.catalyst.expressions.Literal$.create(literals.scala:163)
    at org.apache.spark.sql.functions$.typedLit(functions.scala:127)
    at org.apache.spark.sql.functions$.lit(functions.scala:110)
    at org.apache.spark.sql.functions.lit(functions.scala)
    at sun.reflect.NativeMethodAccessorImpl.invoke0(Native Method)
    at sun.reflect.NativeMethodAccessorImpl.invoke(NativeMethodAccessorImpl.java:62)
    at sun.reflect.DelegatingMethodAccessorImpl.invoke(DelegatingMethodAccessorImpl.java:43)
    at java.lang.reflect.Method.invoke(Method.java:498)
    at py4j.reflection.MethodInvoker.invoke(MethodInvoker.java:244)
    at py4j.reflection.ReflectionEngine.invoke(ReflectionEngine.java:357)
    at py4j.Gateway.invoke(Gateway.java:282)
    at py4j.commands.AbstractCommand.invokeMethod(AbstractCommand.java:132)
    at py4j.commands.CallCommand.execute(CallCommand.java:79)
    at py4j.GatewayConnection.run(GatewayConnection.java:238)
    at java.lang.Thread.run(Thread.java:748)

正确的方法是什么？

【问题讨论】：

将.select('store_product_id') 替换为.select(['store_product_id']) ?

@ma3oun .select('store_product_id') 正在工作。错误来自 df1[df1.store_product_id.isin(ids)] 。似乎 isin 只接受 python list 或 tuple 。但是前面的代码竟然没有失败，很奇怪。

收集到的ids大概是列表的形式 Row数据结构，我猜你需要一个值列表，所以使用toPandas而不是collect，然后提取值列表

【参考方案1】：

您要查找的函数是join。这是一个基于您的数据的简单示例：

import pyspark as sp
from pyspark.sql import SparkSession

samples = ['store_product_id':1,'time_create':2,'last_timestamp':3,'store_product_id':2,'time_create':2,'last_timestamp':2,'store_product_id':3,'time_create':4,'last_timestamp':4,'store_product_id':4,'time_create':2,'last_timestamp':5]

spark = SparkSession \
        .builder \
        .appName('test') \
        .getOrCreate()

df1 = spark.createDataFrame(samples)
df1.show()

这会产生：

+--------------+----------------+-----------+
|last_timestamp|store_product_id|time_create|
+--------------+----------------+-----------+
|             3|               1|          2|
|             2|               2|          2|
|             4|               3|          4|
|             5|               4|          2|
+--------------+----------------+-----------+

让我们按时间过滤并从中创建另一个数据框：

df2 = df1.filter(df1.time_create==df1.last_timestamp)
ids = df2.select('store_product_id').show()

+----------------+
|store_product_id|
+----------------+
|               2|
|               3|
+----------------+

这是我们在 store_product_id 上加入两个数据集的地方：

df3 = df1.join(df2,'store_product_id','inner').show()

+----------------+--------------+-----------+--------------+-----------+
|store_product_id|last_timestamp|time_create|last_timestamp|time_create|
+----------------+--------------+-----------+--------------+-----------+
|               3|             4|          4|             4|          4|
|               2|             2|          2|             2|          2|
+----------------+--------------+-----------+--------------+-----------+

内连接根据 store_product_id

产生 df1 和 df2 的交集

【参考方案2】：

正如@ags29 所说，

df1[df1.time_create==last_timestamp].select(['store_product_id']).collect() 的结果是 Row 列表：

[Row(store_product_id=u'01e8f3c0-3ad5-4b69-b46d-f5feb3cadd5f')]

我需要将行转换为字符串，正确的方法是：

ids = df1[df1.time_create==last_timestamp].select('store_product_id').collect()
ids = map(lambda x: x.store_product_id, ids)
df1[df1.store_product_id.isin(ids)].show()

这与 pandas 完全不同。