如何解决 Pyspark 中的分析异常错误

Posted 2023-04-15

【中文标题】如何解决 Pyspark 中的分析异常错误

【英文标题】：How to solve analysis exception error in Pyspark

【发布时间】：2019-03-15 08:31:08

【问题描述】：

我在 Pyspark 中遇到错误：

AnalysisException: u'Resolved attribute(s) week#5230 missing from
longitude#4976,address#4982,minute#4986,azimuth#4977,province#4979,
action_type#4972,user_id#4969,week#2548,month#4989,postcode#4983,location#4981 
in operator !Aggregate [user_id#4969, week#5230], [user_id#4969, 
week#5230, count(distinct day#4987) AS days_per_week#3605L]. 
Attribute(s) with the same name appear in the operation: week. 
Please check if the right attribute(s) are used

这似乎来自使用agg函数的sn-p代码：

df_rs = df_n.groupBy('user_id', 'week')
            .agg(countDistinct('day').alias('days_per_week'))
            .where('days_per_week >= 1')
            .groupBy('user_id')
            .agg(count('week').alias('weeks_per_user'))
            .where('weeks_per_user >= 5').cache()

但是我在这里没有看到问题。而且我之前已经多次在相同的数据上使用过这行代码。

编辑：我一直在查看代码，错误的类型似乎来自这种连接：

df = df1.join(df2, 'user_id', 'inner')
df3 = df4.join(df1, 'user_id', 'left_anti).

但还没有解决问题。

EDIT2：不幸的是，建议的问题与我的不相似，因为这不是列名歧义的问题，而是缺少属性的问题，在检查实际数据帧时似乎没有丢失。

【问题讨论】：

Spark Dataframe distinguish columns with duplicated name的可能重复

你能提供你的数据框架构吗？

【参考方案1】：

我遇到了同样的问题，并通过在加入之前将 Resolved attributes missing columns 重命名为一些临时名称来解决它，这对我来说是一种解决方法，希望它也对你有所帮助。不知道这个问题背后的真正原因，自从 spark 1.6 SPARK-10925987654321@

【参考方案2】：

我也多次遇到这个问题，遇到了this 这里提到这是火花相关的错误。 根据这篇文章，我想出了下面的代码来解决我的问题。

代码可以处理 LEFT、RIGHT、INNER 和 OUTER 连接，但 OUTER 连接在这里作为 FULL OUTER 工作。

def join_spark_dfs_sqlbased(sparkSession,left_table_sdf,right_table_sdf,common_join_cols_list=[],join_type="LEFT"):
    temp_join_afix="_tempjoincolrenames"
    join_type=join_type.upper()
    
    left=left_table_sdf.select(left_table_sdf.columns)
    right=right_table_sdf.select(right_table_sdf.columns)
    
    
    if len(common_join_cols_list)>0:
        common_join_cols_list=[col+temp_join_afix for col in common_join_cols_list]
    else:
        common_join_cols_list = list(set(left.columns).intersection(right.columns))
        common_join_cols_list=[col+temp_join_afix for col in common_join_cols_list]
        
    
    for col in left.columns:
        left = left.withColumnRenamed(col, col + temp_join_afix)
    left.createOrReplaceTempView('left')
     
    
    for col in right.columns:        
        right = right.withColumnRenamed(col, col + temp_join_afix)               
    right.createOrReplaceTempView('right')
                            
    
    
              
    non_common_cols_left_list=list(set(left.columns)-set(common_join_cols_list))
    non_common_cols_right_list=list(set(right.columns)-set(common_join_cols_list))
    
    
    unidentified_common_cols=list(set(non_common_cols_left_list)-set(non_common_cols_right_list))
    if join_type in ['LEFT','INNER','OUTER']:
        non_common_cols_right_list=list(set(non_common_cols_right_list)-set(unidentified_common_cols))
        common_join_cols_list_with_table=['a.'+col +' as '+col for col in common_join_cols_list]
    else:
        non_common_cols_left_list=list(set(non_common_cols_left_list)-set(unidentified_common_cols))
        common_join_cols_list_with_table=['b.'+col +' as '+col for col in common_join_cols_list]
                
    
    non_common_cols_left_list_with_table=['a.'+col +' as '+col for col in non_common_cols_left_list]        
    non_common_cols_right_list_with_table=['b.'+col +' as '+col for col in non_common_cols_right_list]
    
    non_common_cols_list_with_table=non_common_cols_left_list_with_table + non_common_cols_right_list_with_table    
    
    if join_type=="OUTER":
        join_type="FULL OUTER"
        
    join_type=join_type+" JOIN"
    select_cols=common_join_cols_list_with_table+non_common_cols_list_with_table
    
    common_join_cols_list_with_table_join_query=['a.'+col+ '='+'b.'+col for col in common_join_cols_list]

    query= "SELECT "+ ",".join(select_cols) + " FROM " + "left" + " a " + join_type + " " + "right" + " b" +" ON "+ " AND ".join(common_join_cols_list_with_table_join_query)
    
    print("query:",query)
    
    joined_sdf= sparkSession.sql(query)
        
    for col in joined_sdf.columns:     
        if temp_join_afix in col:   
            joined_sdf = joined_sdf.withColumnRenamed(col, col.replace(temp_join_afix,''))
            
    return joined_sdf