pyspark 处理和比较 2 个数据帧

Posted

技术标签:

【中文标题】pyspark 处理和比较 2 个数据帧【英文标题】:pyspark processing & compare 2 dataframes 【发布时间】:2018-09-14 10:20:14 【问题描述】:

我正在研究 pyspark (Spark 2.2.0),它有 2 个具有公共列的数据框。我正在处理的要求如下:按照以下规则加入 2 帧。

frame1 = [第 1 列,第 2 列,第 3 列....... column_n] ### 数据帧

frame2 = [第 1 列,第 2 列,第 3 列....... column_n] ### 数据帧

key = [Column 1, Column 2] ### 是一个数组

If frame1.[Column1, column2] == frame1.[Column1, column2]

 if frame1.column_n ==  frame2.column_n 
   write to a new data frame DF_A using values from frame 2 as is

 if frame1.column_n !=  frame2.column_n
   write to a new data frame DF_A using values from frame 1 as is
   write to a new data frame DF_B using values from frame 2 but with column3, & column 5 hard coded values       

为此,我首先创建 2 个临时视图并动态构建 3 个 SQL。

  sql_1 = select frame1.* from  frame1 join frame2 on [frame1.keys] = [frame2.keys]
  where frame1.column_n=frame2.column_n
  DFA = sqlContext.sql(sql_1)

  sql_2 = select [all columns from frame1]  from  frame1 join frame2 on         [frame1.keys] = [frame2.keys]
  where frame1.column_n != frame2.column_n
  DF_A = DF_A.union(sqlContext.sql(sql_2))

  sql_3 = select [all columns from frame2 except for column3 & column5 to be hard coded] from  frame1 join frame2 on [frame1.keys] = [frame2.keys]
  where frame1.column_n != frame2.column_n
  DF_B = sqlContext.sql(sql_1)

问题1:有没有更好的方法来动态传递键列以进行加入?我目前正在通过维护数组中的关键列(正在工作)和构造 SQL 来做到这一点。

问题2:有没有更好的方法来动态传递选择列而不改变列的顺序?我目前通过在数组中维护列名并执行连接来做到这一点。

我确实考虑过一个完整的外部连接选项,但由于列名相同,我认为重命名会产生更多开销。

【问题讨论】:

【参考方案1】:

对于问题#1 和#2,我从数据框模式(df.schema.names 和 df.columns)中获取列名并在循环内进行字符串处理。

对于逻辑,我使用了最少 2 个 SQL - 一个具有完全外连接。

【讨论】:

以上是关于pyspark 处理和比较 2 个数据帧的主要内容,如果未能解决你的问题,请参考以下文章

为 pyspark 数据帧的每一行评估多个 if elif 条件

将 pyspark 数据帧与另一个数据帧进行比较

如何比较来自 PySpark 数据帧的记录

pyspark 内连接的替代方法来比较 pyspark 中的两个数据帧

Pyspark - 将数据帧写入 2 个不同的 csv 文件

Pyspark:加入 2 个数据帧以仅从第 2 个数据帧获取新记录(历史化)