[英]pyspark join with 2 lookup tables
我在两个查找表中有一个销售数据和产品详细信息
df_prod_lookup1
ID product description
1 cereal Minipack
2 canola bottle
4 rice bag
df_prod_lookup2
ID product description
6 glass bottle
8 plants hibiscus
10 tree banyan
sales_df
ID product
10 tree
1 cereal
4 rice
8 plants
预计 output:
ID product description
10 tree banyan
1 cereal Minipack
4 rice bag
8 plants hibiscus
如果 ID 在查找表 1 中不可用,我应该使用查找表 1 和后来的查找表 2
查找表 1 和 2 的列名不同,不能合并为一个。 是否有一种方法可以检查 ID 在查找表 1 中是否可用,如果没有则进行连接,然后为销售中的每条记录查找表 2? 谢谢。
我只能用一个查找表进行简单的连接。
df_final = sales_df.join(df_prod_lookup1 on=['ID'], how='left')
问候
先左连接查找表 1,然后左连接查找表 2。
coalesce
function 允许您合并description
字段。
df_prod_lookup1 = df_prod_lookup1.withColumnRenamed("product", "product1").withColumnRenamed("description", "description1")
df_prod_lookup2 = df_prod_lookup2.withColumnRenamed("product", "product2").withColumnRenamed("description", "description2")
from pyspark.sql.functions import coalesce
# Edit based on comments #
sales_df.join(df_prod_lookup1, on=['ID'], how='left')\
.join(df_prod_lookup2, on=['ID'], how='left')\
.withColumn('product', coalesce('product1', 'product2'))\
.withColumn('description', coalesce('description1', 'description2'))\
.drop('product1', 'product2', 'description1', 'description2').show()
+---+-------+-----------+
| ID|product|description|
+---+-------+-----------+
| 8| plants| hibiscus|
| 1| cereal| Minipack|
| 10| tree| banyan|
| 4| rice| bag|
+---+-------+-----------+
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.