如何在pyspark中比較兩個不同數據框中的兩列

Question

我想將一個dataframe1中的“ pitid”與另一個dataframe2中的“ pitid”進行比較，並想提取dataframe1中缺少的行。

dataframe1：

 | id|marks|name|      pitid|
+---+-----+----+-----------+
|  1|    1|  FR| 1496875194|
|  2|    1|  US| -744211593|
|  5|    2|  DE|-1433680238|
|  4|    1|  DE| -366408878|
|  3|    3|  DE|  526286357|
+---+-----+----+-----------+

dataframe2：

| id|marks|name|      pitid|
+---+-----+----+-----------+
|  1|    1|  FR| 1496875194|
|  7|    9|  HY| -816101137|
|  6|    5|  FE| 1044793796|
|  2|    1|  US| -744211593|
|  5|    2|  DE|-1433680238|
|  4|    1|  DE| -366408878|
|  3|    3|  DE|  526286357|
+---+-----+----+-----------+

預期輸出：

|  7|    9|  HY| -816101137|
|  6|    5|  FE| 1044793796|

Answer 1

您可以使用joins

val diff = df2.join(df1,df2.col("pitid")!=df1.col("pitid"),"left")

如果所有列的值將在這兩個數據幀是相同的，那么你可以使用except

df2.subtract(df1)

兩者都將在dataframe2中提供記錄，但不會在dataframe1中提供記錄