如何比较pyspark中两个不同数据帧中的两列

Posted 2021-04-18

我想比较一个dataframe1中的“pitid”和另一个dataframe2的“pitid”，并想要提取dataframe1中缺少的行。

dataframe1：

 | id|marks|name|      pitid|
+---+-----+----+-----------+
|  1|    1|  FR| 1496875194|
|  2|    1|  US| -744211593|
|  5|    2|  DE|-1433680238|
|  4|    1|  DE| -366408878|
|  3|    3|  DE|  526286357|
+---+-----+----+-----------+

dataframe2：

| id|marks|name|      pitid|
+---+-----+----+-----------+
|  1|    1|  FR| 1496875194|
|  7|    9|  HY| -816101137|
|  6|    5|  FE| 1044793796|
|  2|    1|  US| -744211593|
|  5|    2|  DE|-1433680238|
|  4|    1|  DE| -366408878|
|  3|    3|  DE|  526286357|
+---+-----+----+-----------+

预期产量：

|  7|    9|  HY| -816101137|
|  6|    5|  FE| 1044793796|

答案

你可以使用joins

val diff = df2.join(df1,df2.col("pitid")!=df1.col("pitid"),"left")

如果所有列的值在两个数据帧中都相同，那么您可以使用except

df2.subtract(df1)

两者都会在dataframe2中给出记录，但不在dataframe1中给出记录