加入两个 dataframe pyspark

Question

我想加入两个dataframe pyspark。

我正在使用join但这会使实例成倍增加。

dfResult = df1.join(df2, on='Class', how="inner")

我怎么能做到？ dataframe 中的数据以相同的方式排序，所以我只需要将一列（data3）从一个 dataframe 传递到另一个。

Answer 1

欢迎来到 SO！ 已经有几个类似的问题了。 您似乎有一个数据集，恰好有几个同名的列。 它发生了。 但是 spark 期望它们都不同，除了您加入的列。 您可以通过简单地重命名列来解决此问题。

df1 = spark.createDataFrame(spark.sparkContext.parallelize([("123456","Rose","Yellow"),("123456","Jasmine","white"),("789654","Lily","Purple")])).toDF(*["id","name","color"])
df2 = spark.createDataFrame(spark.sparkContext.parallelize([("123456","Rose","Canada"),("123456","Jasmine","US"),("333444","Lily","Purple")])).toDF(*["id","name","Place"])

df3 = df1.join(df2, on=["name"], how="inner")
df3.show()

不重命名的加入会导致

+-------+------+------+------+------+
|   name|    id| color|    id| Place|
+-------+------+------+------+------+
|   Rose|123456|Yellow|123456|Canada|
|Jasmine|123456| white|123456|    US|
|   Lily|789654|Purple|333444|Purple|
+-------+------+------+------+------+

重命名加入

df3 = df1.join(df2, on=["name"], how="inner").select("name", "Place",df1.id.alias("id_1"), df2.id.alias("id_2"))

允许您使用数据集识别来自哪个列。

+-------+------+------+------+
|   name| Place|  id_1|  id_2|
+-------+------+------+------+
|   Rose|Canada|123456|123456|
|Jasmine|    US|123456|123456|
|   Lily|Purple|789654|333444|
+-------+------+------+------+