[英]join two dataframe the pyspark
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。
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|
+-------+------+------+------+
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.