合并具有几个不同列的两个数据框

Posted 2023-04-15

【中文标题】合并具有几个不同列的两个数据框

【英文标题】：Merge two data frame with few different columns

【发布时间】：2016-10-03 08:49:30

【问题描述】：

我想合并几个不同列的 DataFrame。 假设，

DataFrame A 有 3 列：Column_1、Column_2、Column 3

DataFrame B 有 3 列：Column_1、Columns_2、Column_4

DataFrame C 有 3 列：Column_1、Column_2、Column_5

我想合并这些 DataFrame，这样我得到一个 DataFrame，如下所示：

Column_1、Column_2、Column_3、Column_4 Column_5

DataFrame 的数量可能会增加。有没有办法得到这个合并？这样对于特定的 Column_1 Column_2 组合，我会得到同一行中其他三列的值，如果对于 Column_1 Column_2 的特定组合，某些列中没有数据，那么它应该在那里显示 null。

数据帧 A：

Column_1 Column_2 Column_3
   1        x        abc
   2        y        def

数据帧 B：

Column_1 Column_2 Column_4
   1        x        xyz
   2        y        www
   3        z        sdf

A 和 B 的合并：

Column_1 Column_2 Column_3 Column_4
   1        x        abc     xyz
   2        y        def     www
   3        z        null    sdf

【参考方案1】：

如果我正确理解您的问题，您将需要使用一系列列作为键来执行 外部联接。

我已使用您问题中提供的数据来举例说明它是如何完成的：

scala> val df1 = Seq((1,"x","abc"),(2,"y","def")).toDF("Column_1","Column_2","Column_3")
// df1: org.apache.spark.sql.DataFrame = [Column_1: int, Column_2: string, Column_3: string]

scala> val df2 = Seq((1,"x","xyz"),(2,"y","www"),(3,"z","sdf")).toDF("Column_1","Column_2","Column_4")
// df2: org.apache.spark.sql.DataFrame = [Column_1: int, Column_2: string, Column_4: string]

scala> val df3 = df1.join(df2, Seq("Column_1","Column_2"), "outer")
// df3: org.apache.spark.sql.DataFrame = [Column_1: int, Column_2: string, Column_3: string, Column_4: string]

scala> df3.show
// +--------+--------+--------+--------+                                           
// |Column_1|Column_2|Column_3|Column_4|
// +--------+--------+--------+--------+
// |       1|       x|     abc|     xyz|
// |       2|       y|     def|     www|
// |       3|       z|    null|     sdf|
// +--------+--------+--------+--------+

这被称为equi-join 和另一个DataFrame 使用给定的列。

与其他连接函数不同，连接列在输出中只会出现一次，即类似于 SQL 的JOIN USING 语法。

注意

从 Spark 1.6 开始提供外部等值连接。

【参考方案2】：

首先对所有三个数据帧使用以下代码，以便可以在数据帧上实现SQL查询

DF1.createOrReplaceTempView("df1view")
DF2.createOrReplaceTempView("df2view")
DF3.createOrReplaceTempView("df3view")

然后使用这个join命令进行合并

val intermediateDF = spark.sql("SELECT a.column1, a.column2, a.column3, b.column4 FROM df1view a leftjoin df2view b on a.column1 = b.column1 and a.column2 = b.column2")`

intermediateDF.createOrReplaceTempView("imDFview")

val resultDF = spark.sql("SELECT a.column1, a.column2, a.column3, a.column4, b.column5 FROM imDFview a leftjoin df3view b on a.column1 = b.column1 and a.column2 = b.column2")

这些连接也可以在一个连接中一起完成，而且由于您想要column1和column2的所有值，您可以使用full outer join而不是left join