Question

我有一个类似的数据框：

+--------+-------+--------------------+-------------------+
|     id1|    id2|                body|         created_at|
+--------+-------+--------------------+-------------------+
|1       |      4|....................|2017-10-01 00:00:05|
|2       |      3|....................|2017-10-01 00:00:05|
|3       |      2|....................|2017-10-01 00:00:05|
|4       |      1|....................|2017-10-01 00:00:05|
+--------+-------+--------------------+-------------------+

我想使用id1和id2来过滤表格。例如，获取id1=1, id2=4和id1=2, id2=3的行。

目前，我正在使用循环生成df.filter()的巨型查询字符串，即((id1 = 1) and (id2 = 4)) or ((id1 = 2) and (id2 = 3))。只是想知道是否有更合适的方法来实现这一目标？

Answer 1

您可以生成辅助DF（表）：

<强> TMP：

+--------+-------+
|     id1|    id2|
+--------+-------+
|1       |      4|
|2       |      3|
+--------+-------+

然后加入他们：

SELECT a.*
FROM tab a
JOIN tmp b
  ON (a.id1 = b.id1 and a.id2 = b.id2)

其中tab是您的原始DF，注册为表

在基于Spark Dataframe的API中过滤多个列

1 个答案: