加入多个表后如何处理空值

Posted 2023-04-15

【中文标题】加入多个表后如何处理空值

【英文标题】：How to treat null values after joining multiple tables

【发布时间】：2020-06-01 18:51:30

【问题描述】：

我正在通过加入 4 个数据框来创建一个新的数据框 之后我需要连接来自不同数据帧的两个相同列 数据：

col1   col2 expected
Acc1   Acc1 Acc1Acc1
Acc2   null Acc2
null   Acc3 Acc3

问题： 如果我在不替换空值的情况下进行连接；我松了信息 所以加入后；由于 pyspark 不会删除公共列，因此我们有来自 2 个表的两个 Account 列 我尝试用空字符串替换它；它不起作用并引发错误：数据帧不可迭代

查询： 加入表后如何用空字符串替换空值？ 或者有什么办法可以同时处理 null 和 concat ？

df = df1\
.join(df2,"code",how = 'left') \
.join(df3,"id",how = 'left')\
.join(df4,"id",how = 'left')\
.withColumn('Account',F.when(df2('Account').isNull(),'').otherwise(df2('Account')))\
.withColumn('Account',F.when(df3('Account').isNull(),'').otherwise(df3('Account')))\
.withColumn("Account",F.concat(F.trim(df2.Account), F.trim(df3.Account)))

【参考方案1】：

您好，欢迎来到 ***。 pyspark.sql.functions.concat_ws 之类的函数应该可以在这里解决问题，例如：

import pyspark.sql.functions as f


df = spark.createDataFrame([
    (1, "John", "Smith"),
    (2, "Monty", "Python"), 
    (3, "Donald", None), 
], ['id', 'firstname', 'lastname'] 
)
df.show()
+---+---------+--------+
| id|firstname|lastname|
+---+---------+--------+
|  1|     John|   Smith|
|  2|    Monty|  Python|
|  3|   Donald|    null|
+---+---------+--------+

df.select(
    "*",
    f.concat_ws(
      "", 
      f.trim(f.col("firstname")), f.trim(f.col("lastname"))
    ).alias("concatenated")
).show()
+---+---------+--------+------------+
| id|firstname|lastname|concatenated|
+---+---------+--------+------------+
|  1|     John|   Smith|   JohnSmith|
|  2|    Monty|  Python| MontyPython|
|  3|   Donald|    null|      Donald|
+---+---------+--------+------------+

希望对您有所帮助，您可以在此处找到有关该功能的更多信息：https://spark.apache.org/docs/latest/api/python/pyspark.sql.html#pyspark.sql.functions.concat

【讨论】：

您好，谢谢您，但是，加入后出现问题....因为两个列具有相同的名称...我使用 withColumn 并使用了 tablename['colname]...没用..加入后如何使用concat函数