PySpark 动态连接 DataFrames 多列（“或”运算符）

Question

我有一个场景，我需要动态加入两个 DataFrame。 我正在创建一个辅助函数并将数据帧作为输入参数传递，如下所示。

def joinDataFrame(first_df, second_df, first_cols, second_cols,join_type) -> DataFrame:
   return_df = first_df.join(second_df, (col(f) == col(s) for (f,s) in zip(first_cols, second_cols), join_type)
   return return_df

如果我只有“和”场景，这很好用，但我也有通过“或”条件的要求。

我确实尝试构建一个包含条件的字符串，然后使用expr()我可以传递连接条件，但我得到了'ParseException' 。

我更愿意构建“加入”条件并将其作为参数传递给此函数。

Answer 1

减少使用| 在压缩平等条件下：

from functools import reduce

join_cond = reduce(
        lambda x, y: x | y,
        (first_df[f] == second_df[s] for (f,s) in zip(first_cols, second_cols))
    )

return_df = first_df.join(second_df, join_cond, join_type)