Pyspark Dataframe - 如何根據作為輸入的列數組連接列

Question

我有 10 列的數據框，並且想要執行函數 - 基於作為輸入的列數組的連接：

arr = ["col1", "col2", "col3"]

這是目前的情況：

newDF = rawDF.select(concat(col("col1"), col("col2"), col("col3") )).exceptAll(updateDF.select( concat(col("col1"), col("col2"), col("col3") ) ) )

還：

df3 = df2.join(df1, concat( df2.col1, df2.col2, df2.col3, df2.col3 ) == df1.col5 ) 

但是我想根據輸入數組創建一個循環或函數來執行此操作（而不是像現在這樣對其進行硬編碼）。

什么是最好的方法？

Answer 1

您可以使用 (*) 解壓縮 cols。 在 pyspark.sql 文檔中，如果任何函數有 (*cols)，則表示您可以解壓縮 cols。 對於連接：

pyspark.sql.functions.concat(*cols)

from pyspark.sql import functions as F
arr = ["col1", "col2", "col3"]
newDF = rawDF.select(F.concat(*(F.col(col) for col in arr))).exceptAll(updateDF.select(F.concat(*(F.col(col) for col in arr))))

對於聯接：

arr=['col1','col2','col3']
df3 = df2.join(df1, F.concat(*(F.col(col) for col in arr)) == df1.col5 )