如何在行级别比较两个大型Spark数据帧并打印差异

Question

我有两个非常大的spark数据帧。我想在行级别进行比较，仅打印差异

例如：

df1= firstname:abc lastname:xyz company:123

---

df2= firstname:abc lastname:xyz company:456

---

预期的输出-diff= company(df1):123 company(df2):456

Answer 1

就我而言，您所描述的问题还没有最佳解决方案。因为，只有在两个数据帧都可以连接到的column/reference上，才能发现数据帧之间的差异。

要注意的是，一种方法是使用subtract函数查找在某种程度上有帮助的差异。

>>> df_1.show()
+-----+-----+-----+
|fname|lname|cmpny|
+-----+-----+-----+
|  abc|  xyz|  123|
+-----+-----+-----+

>>> df_2.show()
+-----+-----+-----+
|fname|lname|cmpny|
+-----+-----+-----+
|  abc|  xyz|  456|
+-----+-----+-----+

>>> df_1.select('*').subtract(df_2.select('*')).show()
+-----+-----+-----+
|fname|lname|cmpny|
+-----+-----+-----+
|  abc|  xyz|  123|
+-----+-----+-----+

>>> df_2.select('*').subtract(df_1.select('*')).show()
+-----+-----+-----+
|fname|lname|cmpny|
+-----+-----+-----+
|  abc|  xyz|  456|
+-----+-----+-----+

Answer 2

我认为您正在寻找except

df1.except(df2)

将返回df1中的行，而不返回df2中的行。