![](/img/trans.png)
[英]Are there any alternatives to a full outer join for comparing PySpark dataframes with no key columns?
[英]PySpark Dataframes: Full Outer Join with a condition
我有以下2個數據框-
dataframe_a
+----------------+---------------+
| user_id| domain|
+----------------+---------------+
| josh| wanadoo.fr|
| samantha| randomn.fr|
| bob| eidsiva.net|
| dylan| vodafone.it|
+----------------+---------------+
dataframe_b
+----------------+---------------+
| user_id| domain|
+----------------+---------------+
| josh| oldwebsite.fr|
| samantha| randomn.fr|
| dylan| oldweb.it|
| ryan| chicks.it|
+----------------+---------------+
我想做一個完整的外部連接,但保留dataframe_a
的domain
列中的值,以防我為單個user_id
獲得 2 個不同的域。 所以,我想要的 dataframe 看起來像 -
desired_df
+----------------+---------------+
| user_id| domain|
+----------------+---------------+
| josh| wanadoo.fr|
| samantha| randomn.fr|
| bob| eidsiva.net|
| dylan| vodafone.it|
| ryan| chicks.it|
+----------------+---------------+
我想我可以做類似的事情——
desired_df = dataframe_a.join(dataframe_b, ["user_id"], how="full_outer").drop(dataframe_b.domain)
但我擔心這是否會給我想要的ryan
的瑞安。 這是正確的方法嗎?
你會想要使用'coalesce'。 在您當前的解決方案中,ryan 將位於生成的 dataframe 中,但剩余dataframe_a.domain
列的 null 值。
joined_df = dataframe_a.join(dataframe_b, ["user_id"], how="full_outer")
+----------------+---------------+---------------+
| user_id| domain| domain|
+----------------+---------------+---------------+
| josh| wanadoo.fr| oldwebsite.fr|
| samantha| randomn.fr| randomn.fr|
| bob| eidsiva.net| |
| dylan| vodafone.it| oldweb.it|
| ryan| | chicks.it|
+----------------+---------------+---------------+
'coalesce' 允許您指定偏好順序,但會跳過 null 值。
import pyspark.sql.functions as F
joined_df = joined_df.withColumn(
"preferred_domain",
F.coalesce(dataframe_a.domain, dataframe_b.domain)
)
joined_df = joined_df.drop(dataframe_a.domain).drop(dataframe_b.domain)
給予
+----------------+----------------+
| user_id|preferred_domain|
+----------------+----------------+
| josh| wanadoo.fr|
| samantha| randomn.fr|
| bob| eidsiva.net|
| dylan| vodafone.it|
| ryan| chicks.it|
+----------------+----------------+
不,執行 full_outer 連接將留下所需的 dataframe,域名對應於 ryan 作為 null 值。在上述給定數據幀上的任何類型的連接操作都不會為您提供所需的 Z78E6221F6393D135CEDZ1688。
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.