pyspark中的内部连接

Posted 2023-04-15

【中文标题】pyspark中的内部连接

【英文标题】：inner join in pyspark

【发布时间】：2019-06-21 05:29:09

【问题描述】：

我有一个 pyspark 数据框（df1），它由 10K 行组成，数据框看起来像 -

id       mobile_no       value
1        1111111111        .43
2        2222222222        .54
3        3333333333        .03
4        4444444444        .22

另一个 pyspark 数据帧 (df2) 包含 100k 条记录，看起来像 -

mobile_no            gender
912222222222           M
914444444444           M
919999999999           F
915555555555           M
918888888888           F

我想使用 pyspark 进行内部连接，其中最终数据框看起来像 -

mobile_no          value           gender
2222222222         .54               M
4444444444         .22               M

df2 中 mobile_no 的长度为 12，但 df1 中为 10。我可以加入它，但它的操作成本很高。 使用 pyspark 有什么帮助吗？

common_cust = spark.sql("SELECT mobile_number, age \
                         FROM df1 \
                         WHERE mobile_number IN (SELECT DISTINCT mobile_number FROM df2)")

【参考方案1】：

一种方法是在df2 上使用substring 函数，以仅保留最后10 位数字以获得与df1 相同的长度：

import pyspark.sql.functions as F

ddf2.select(F.substring('mobile_no', 3, 10).alias('mobile_no'),'gender').show()
+----------+------+
| mobile_no|gender|
+----------+------+
|2222222222|     M|
|4444444444|     M|
|9999999999|     F|
|5555555555|     M|
|8888888888|     F|
+----------+------+

然后你只需要做一个内部join 来获得你预期的输出：

common_cust = df1.select('mobile_no', 'value')\
                 .join( df2.select(F.substring('mobile_no', 3, 10).alias('mobile_no'),'gender'), 
                        on=['mobile_no'], how='inner')
common_cust.show()
+----------+-----+------+
| mobile_no|value|gender|
+----------+-----+------+
|2222222222| 0.54|     M|
|4444444444| 0.22|     M|
+----------+-----+------+

如果你想使用spark.sql，我想你可以这样做：

common_cust = spark.sql("""select df1.mobile_no, df1.value, df2.gender
                           from df1
                           inner join df2 
                           on df1.mobile_no = substring(df2.mobile_no, 3, 10)""")