![](/img/trans.png)
[英]Are there any alternatives to a full outer join for comparing PySpark dataframes with no key columns?
[英]PySpark Dataframes: Full Outer Join with a condition
我有以下2个数据框-
dataframe_a
+----------------+---------------+
| user_id| domain|
+----------------+---------------+
| josh| wanadoo.fr|
| samantha| randomn.fr|
| bob| eidsiva.net|
| dylan| vodafone.it|
+----------------+---------------+
dataframe_b
+----------------+---------------+
| user_id| domain|
+----------------+---------------+
| josh| oldwebsite.fr|
| samantha| randomn.fr|
| dylan| oldweb.it|
| ryan| chicks.it|
+----------------+---------------+
我想做一个完整的外部连接,但保留dataframe_a
的domain
列中的值,以防我为单个user_id
获得 2 个不同的域。 所以,我想要的 dataframe 看起来像 -
desired_df
+----------------+---------------+
| user_id| domain|
+----------------+---------------+
| josh| wanadoo.fr|
| samantha| randomn.fr|
| bob| eidsiva.net|
| dylan| vodafone.it|
| ryan| chicks.it|
+----------------+---------------+
我想我可以做类似的事情——
desired_df = dataframe_a.join(dataframe_b, ["user_id"], how="full_outer").drop(dataframe_b.domain)
但我担心这是否会给我想要的ryan
的瑞安。 这是正确的方法吗?
你会想要使用'coalesce'。 在您当前的解决方案中,ryan 将位于生成的 dataframe 中,但剩余dataframe_a.domain
列的 null 值。
joined_df = dataframe_a.join(dataframe_b, ["user_id"], how="full_outer")
+----------------+---------------+---------------+
| user_id| domain| domain|
+----------------+---------------+---------------+
| josh| wanadoo.fr| oldwebsite.fr|
| samantha| randomn.fr| randomn.fr|
| bob| eidsiva.net| |
| dylan| vodafone.it| oldweb.it|
| ryan| | chicks.it|
+----------------+---------------+---------------+
'coalesce' 允许您指定偏好顺序,但会跳过 null 值。
import pyspark.sql.functions as F
joined_df = joined_df.withColumn(
"preferred_domain",
F.coalesce(dataframe_a.domain, dataframe_b.domain)
)
joined_df = joined_df.drop(dataframe_a.domain).drop(dataframe_b.domain)
给予
+----------------+----------------+
| user_id|preferred_domain|
+----------------+----------------+
| josh| wanadoo.fr|
| samantha| randomn.fr|
| bob| eidsiva.net|
| dylan| vodafone.it|
| ryan| chicks.it|
+----------------+----------------+
不,执行 full_outer 连接将留下所需的 dataframe,域名对应于 ryan 作为 null 值。在上述给定数据帧上的任何类型的连接操作都不会为您提供所需的 Z78E6221F6393D135CEDZ1688。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.