加入兩個 dataframe pyspark

Question

我想加入兩個dataframe pyspark。

我正在使用join但這會使實例成倍增加。

dfResult = df1.join(df2, on='Class', how="inner")

我怎么能做到？ dataframe 中的數據以相同的方式排序，所以我只需要將一列（data3）從一個 dataframe 傳遞到另一個。

Answer 1

歡迎來到 SO！ 已經有幾個類似的問題了。 您似乎有一個數據集，恰好有幾個同名的列。 它發生了。 但是 spark 期望它們都不同，除了您加入的列。 您可以通過簡單地重命名列來解決此問題。

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()

不重命名的加入會導致

+-------+------+------+------+------+
|   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"))

允許您使用數據集識別來自哪個列。

+-------+------+------+------+
|   name| Place|  id_1|  id_2|
+-------+------+------+------+
|   Rose|Canada|123456|123456|
|Jasmine|    US|123456|123456|
|   Lily|Purple|789654|333444|
+-------+------+------+------+