Question

我有两个输入数据集第一个输入数据集如下：

year,make,model,comment,blank
"2012","Tesla","S","No comment",
1997,Ford,E350,"Go get one now they are going fast",
2015,Chevy,Volt

第二个输入数据集：

TagId,condition
1997_cars,year = 1997 and model = 'E350'
2012_cars,year=2012 and model ='S'
2015_cars ,year=2015 and model = 'Volt'

现在我的要求是读取第一个数据集并且基于第二个数据集中的过滤条件需要通过向第一个输入数据集引入新列TagId来标记第一个输入数据集的行所以预期应该是这样的：

year,make,model,comment,blank,TagId
"2012","Tesla","S","No comment",2012_cars
1997,Ford,E350,"Go get one now they are going fast",1997_cars
2015,Chevy,Volt, ,2015_cars

我试过了：

val sqlContext = new SQLContext(sc)
val carsSchema = StructType(Seq(
    StructField("year", IntegerType, true),
    StructField("make", StringType, true),
    StructField("model", StringType, true),
    StructField("comment", StringType, true),
    StructField("blank", StringType, true)))

val carTagsSchema = StructType(Seq(
    StructField("TagId", StringType, true),
    StructField("condition", StringType, true)))


val dfcars = sqlContext.read.format("com.databricks.spark.csv").option("header", "true") .schema(carsSchema).load("/TestDivya/Spark/cars.csv")
val dftags = sqlContext.read.format("com.databricks.spark.csv").option("header", "true") .schema(carTagsSchema).load("/TestDivya/Spark/CarTags.csv")

val Amendeddf = dfcars.withColumn("TagId", dfcars("blank"))
val cdtnval = dftags.select("condition")
val df2=dfcars.filter(cdtnval)
<console>:35: error: overloaded method value filter with alternatives:
  (conditionExpr: String)org.apache.spark.sql.DataFrame <and>
  (condition: org.apache.spark.sql.Column)org.apache.spark.sql.DataFrame
 cannot be applied to (org.apache.spark.sql.DataFrame)
       val df2=dfcars.filter(cdtnval)

另一种方式：

val col = dftags.col("TagId")
val finaldf = dfcars.withColumn("TagId", col)
org.apache.spark.sql.AnalysisException: resolved attribute(s) TagId#5 missing from comment#3,blank#4,model#2,make#1,year#0 in operator !Project [year#0,make#1,model#2,comment#3,blank#4,TagId#5 AS TagId#8];

finaldf.write.format("com.databricks.spark.csv").option("header", "true").save("/TestDivya/Spark/carswithtags.csv")

如果有人给我指示如何通过过滤条件来过滤数据帧的功能，我真的很感激。或另一种解决方案我对这样一个天真的问题的应用，因为我是scala和Spark的新手

谢谢

Answer 1

没有简单的解决方法。我认为你可以采用两个方向：

将条件（dftags）收集到本地列表中。然后一个接一个地执行它，在汽车（dfcars）上执行每个filter。使用结果获得所需的输出。
将条件（dftags）收集到本地列表中。自己实现解析和评估代码。浏览汽车（dfcars）一次，评估map中每行的规则集。

如果您有大量条件（因此无法收集它们）和大量汽车，那么情况非常糟糕。您需要针对每种情况检查每辆车，因此效率非常低。在这种情况下，您需要首先优化规则集，以便更有效地评估它。（决策树可能是一个很好的解决方案。）

将一个数据帧列值传递给另一个数据帧过滤条件表达式+ Spark 1.5

1 个答案: