Question

假设我在pySpark中有以下数据帧：

df1 = sqlContext.createDataFrame([Row(name='john', age=50), Row(name='james', age=25)])
df2 = sqlContext.createDataFrame([Row(name='john', weight=150), Row(name='mike', weight=115)])
df3 = sqlContext.createDataFrame([Row(name='john', age=50, weight=150), Row(name='james', age=25, weight=None), Row(name='mike', age=None, weight=115)])

现在假设我想要加入/合并df3和df1来创建df2。

我试过

df1.join(df2, df1.name == df2.name, 'outer')

这并不完全正常，因为它产生两个名称列。我需要以某种方式组合两个名称列，以便从一个名称列中缺少的名称由另一个名称列中缺少的名称填充。

我该怎么做？或者是否有更好的方法可以从df3和df1创建df2？

Answer 1

您可以使用Spring docs函数返回第一个非空参数。

from pyspark.sql.functions import coalesce

df1 = df1.alias("df1")
df2 = df2.alias("df2")

(df1.join(df2, df1.name == df2.name, 'outer')
  .withColumn("name_", coalesce("df1.name", "df2.name"))
  .drop("name")
  .withColumnRenamed("name_", "name"))

Answer 2

这有点晚了，但如果有人需要它，有一个更简单的解决方案。只是对原始海报解决方案的一个简单改变：

df1.join(df2, 'name', 'outer')

Answer 3

df3 = df1.join(df2, ['name'], 'outer')

以这种方式加入将防止名称列的重复。 https://docs.databricks.com/spark/latest/faq/join-two-dataframes-duplicated-column.html

外连接Spark数据帧具有不相同的连接列，然后合并连接列

3 个答案: