Question

我正在寻找一种基于一列查找两个DataFrame的区别的方法。例如：

from pyspark.sql import SQLContext

sc = SparkContext()
sql_context = SQLContext(sc)

df_a = sql_context.createDataFrame([("fa", 3), ("fb", 5), ("fc", 7)], ["first name", "id"])

df_b = sql_context.createDataFrame([("la", 3), ("lb", 10), ("lc", 13)], ["last name", "id"])
DataFrame A:

+----------+---+
|first name| id|
+----------+---+
|        fa|  3|
|        fb|  5|
|        fc|  7|
+----------+---+
DataFrame B:

+---------+---+
|last name| id|
+---------+---+
|       la|  3|
|       lb| 10|
|       lc| 13|
+---------+---+

我的目标是考虑列ID来找到DataFrame A和DataFrame B的区别，输出将是以下DataFrame

    +---------+---+
    |last name| id|
    +---------+---+
    |       lb| 10|
    |       lc| 13|
    +---------+---+

我不想使用以下方法：

a_ids = set(df_a.rdd.map(lambda r: r.id).collect())
df_c = df_b.filter(~col('id').isin(a_ids))

我正在寻找一种高效的方法（就内存和速度而言），我不必收集id（id的大小可以是数十亿），也许像RDDs SubtractByKey一样，但适用于DataFrame

PS：我可以将df_a映射到RDD，但是我不想将df_b映射到RDD

Answer 1

您可以在列left_anti上进行id连接：

df_b.join(df_a.select('id'), how='left_anti', on=['id']).show()
+---+---------+
| id|last name|
+---+---------+
| 10|       lb|
| 13|       lc|
+---+---------+

仅基于pyspark中一列的两个DataFrame之间的差异

1 个答案: