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
pyspark 内连接的替代方法来比较 pyspark 中的两个数据帧