Question

我有两个具有不同但重叠列集的表。我希望以pandas的方式连接它们，但它在spark中非常低效。

X:
   A  B
0  1  3
1  2  4

Y:
   A  C
0  5  7
1  6  8

pd.concat(X, Y):
   A   B   C
0  1   3 NaN
1  2   4 NaN
0  5 NaN   7
1  6 NaN   8

我尝试使用Spark SQL来做...

select A, B, null as C from X union all select A, null as B, C from Y

... 非常慢。我将此查询应用于两个大小为：（79行，17330列）和（92行，16列）的表。在火花2.01上运行 129s ，在Spark 2.01上运行 319s ，在pandas上运行1.2s。为什么这么慢？这是某种错误吗？ 使用spark可以更快地完成吗？

编辑：我尝试以编程方式执行此操作：how to union 2 spark dataframes with different amounts of columns - 它甚至更慢。

似乎问题是添加空列也许它可以以某种方式解决，或者这部分可以更快？