Question

我想合并几个具有很少不同列的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，以便获得一个DataFrame，如：

Column_1，Column_2，Column_3，Column_4 Column_5

DataFrame的数量可能会增加。有没有办法让这次合并？这样，对于特定的Column_1 Column_2组合，我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为空。

DataFrame A：

Column_1 Column_2 Column_3
   1        x        abc
   2        y        def

DataFrame 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

Answer 1

如果我正确理解您的问题，您需要使用一系列列作为键来执行外连接。

我使用了您问题中提供的数据来说明如何使用示例完成：

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|
// +--------+--------+--------+--------+

使用给定的列称为equi-join，另一个DataFrame。

它与其他连接函数不同，连接列只会在输出中出现一次，即类似于SQL的JOIN USING语法。

注意

自Spark 1.6以来，外部均衡连接可用。

Answer 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")

然后使用此join命令合并

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")

这些联接也可以在一个联接中一起完成，因为你想要所有的column1和column2值，你可以使用full outer join而不是left join

合并具有少量不同列的两个数据框

2 个答案: