Spark 以非连接列上的条件连接

Posted

技术标签:

【中文标题】Spark 以非连接列上的条件连接【英文标题】:Spark joins with condition on non join column 【发布时间】:2019-04-17 18:55:38 【问题描述】:

我有以下两个数据框,我想根据 col A 加入它们

df1:

+------+--------+-------+
|  A   |   B    |   C   |
+------+--------+-------+
| a1   |   5    |   asd |
| a2   |   12   |   asd |
+------+--------+-------+

df2:

+------+--------+-------+
|  A   |   B    |   D   |
+------+--------+-------+
|  a1  |   8    |   qwe |
|  a2  |   10   |   qwe |
+------+--------+-------+

由于 B 列相同,我们假设在两者之间进行选择是有逻辑的,例如选择

+------+--------+------+-----+
|  A   |   B    |  C   |  D  |
+------+--------+------+-----+
|  a1  |   8    |  asd | qwe |
|  a2  |   12   |  asd | qwe |
+------+--------+-------+----+

实现此目的的简单方法是:

val _df1 = df1.withColumnRenamed("B","B_df1")
val _df2 = df2.withColumnRenamed("B", "B_df2)
_df1.join(_df2, Seq("A"))
    .withColumn("B", when(col("B_df1") > col("B_df2"), 
 col("B_df1"))
    .otherwise(col("B_df2"))
    .drop(col("B_df1")
    .drop("B_df2") 

有没有更好的方法可以在不重命名和删除列的情况下实现这一点?

【问题讨论】:

【参考方案1】:

这是使用selectExpr 的另一种方法。它节省了一些删除列的努力。

import spark.implicits._

val df1 = Seq(("a1",5,"asd"),
              ("a2",12,"asd")
              ).toDF("A","B","C")

val df2 = Seq(("a1",8,"qwe"),
              ("a2",10,"qwe")
              ).toDF("A","B","D")


import org.apache.spark.sql.functions.col

df1.as("a").join(df2.as("b"), col("a.A") === col("b.A")).selectExpr("a.A AS A",
               "CASE WHEN a.B>b.B THEN a.B ELSE b.B END AS B",
               "a.C AS C",
               "b.D AS D").show()

【讨论】:

以上是关于Spark 以非连接列上的条件连接的主要内容,如果未能解决你的问题,请参考以下文章

具有别名的同一列上的多个连接

在 Oracle DBMS 中的多个列上使用过滤条件连接表

使用 Laravel 4 Eloquent 连接列上的列名“”无效?

SQL:在连接后获取列上的特定行值

使用 OR 和标签连接多个列上的两个表

LINQ to SQL:多个列上的多个连接。这可能吗?