Question

我有两个数据帧df1（员工表）＆amp; df2（部门表），具有以下架构：

df1.columns
// Arrays(id,name,dept_id)

和

df2.columns
// Array(id,name)

我在df1.dept_id和df2.id上加入这两个表后：

val joinedData = df1.join(df2,df1("dept_id")===df2("id"))
joinedData.columns
// Array(id,name,dept_id,id,name)

将其保存在文件中，

joined.write.csv("<path>")

它给出错误：

 org.apache.spark.sql.AnalysisException: Duplicate column(s) : "name", "id" found, cannot save to file.;

我读到了使用字符串序列来避免列重复，但这是针对要执行连接的列。我需要为非连接列提供类似的功能。

是否可以直接使用重复列嵌入表名以便保存？

我想出了一个匹配dfs列并重命名重复列的解决方案，以将table-name追加到column-name。但是有直接的方法吗？

注意：这将是一个通用代码，仅包含执行连接的列详细信息。 Rest列仅在运行时才知道。所以我们不能通过硬编码来重命名列。

Answer 1

我会保留所有列，确保它们具有不同的名称，例如通过在列名前加一个标识符：

val df1Cols = df1.columns
val df2Cols = df2.columns

// prefixes to column names
val df1pf = df1.select(df1Cols.map(n => col(n).as("df1_"+n)):_*)
val df2pf = df2.select(df2Cols.map(n => col(n).as("df2_"+n)):_*)

df1pf.join(df2pf,
    $"df1_dept_id"===$"df2_id",
 )

Answer 2

您可以尝试使用数据框的别名

import spark.implicits._

df1.as("df1")
  .join(df2.alias("df2"),df1("dept_id") === df2("id"))
  .select($"df1.*",$"df2.*").show()

Answer 3

经过进一步研究并获得其他开发者的观点后，确信没有直接的方法。一种方法是更改@Raphael指定的所有列的名称。但我通过仅更改重复的列来解决我的问题：

val commonCols = df1.columns.intersect(df2.columns)
val newDf2 = changeColumnsName(df2,commonCols,"df1")

其中changeColumnsName定义为：

@tailrec
def changeColumnsName(dataFrame: DataFrame, columns: Array[String], tableName: String): DataFrame = {
if (columns.size == 0)
  dataFrame
else
  changeColumnsName(dataFrame.withColumnRenamed(columns.head, tableName + "_" + columns.head), columns.tail, tableName)

}

现在，执行加入：

val joinedData = df1.join(newDf2,df1("dept_id")===newDf2("df2_id"))
joinedData.columns
// Array(id,name,dept_id,df2_id,df2_name)

Answer 4

deleteNodeNoPointer

https://docs.databricks.com/spark/latest/faq/join-two-dataframes-duplicated-column.html

Spark Dataframe Join - 重复列（未加入列）

4 个答案: