如何在pyspark中按列合并多个数据框？

Posted 2023-04-15

【中文标题】如何在pyspark中按列合并多个数据框？

【英文标题】：How to merge several dataframes column-wise in pyspark?

【发布时间】：2019-01-07 18:49:23

【问题描述】：

我有大约 25 个表，每个表有 3 列（id、date、value），我需要通过加入 id 和 date 列从每个表中选择 value 列并创建一个合并表。

df_1 = df_1.join(
    df_2, 
    on=(df_1.id == df_2.id) & (df_1.date == df_2.date),
    how="inner"
).select([df_1["*"], df_2["value1"]]).dropDuplicates()

在 pyspark 中是否有任何优化方式来生成具有这 25 个值 + id+ 日期列的合并表。

提前致谢。

【参考方案1】：

df_1 = spark.createDataFrame([[1, '2018-10-10', 3]], ['id', 'date', 'value'])
df_2 = spark.createDataFrame([[1, '2018-10-10', 3], [2, '2018-10-10', 4]], ['id', 'date', 'value'])
df_3 = spark.createDataFrame([[1, '2018-10-10', 3], [2, '2018-10-10', 4]], ['id', 'date', 'value'])

from functools import reduce

# list of data frames / tables
dfs = [df_1, df_2, df_3]

# rename value column
dfs_renamed = [df.selectExpr('id', 'date', f'value as value_i') for i, df in enumerate(dfs)]

# reduce the list of data frames with inner join
reduce(lambda x, y: x.join(y, ['id', 'date'], how='inner'), dfs_renamed).show()
+---+----------+-------+-------+-------+
| id|      date|value_0|value_1|value_2|
+---+----------+-------+-------+-------+
|  1|2018-10-10|      3|      3|      3|
+---+----------+-------+-------+-------+