web-dev-qa-db-fra.com

Comment rejoindre plusieurs colonnes dans Pyspark?

J'utilise Spark 1.3 et souhaite rejoindre plusieurs colonnes en utilisant python interface (SparkSQL)

Les travaux suivants:

Je les enregistre d'abord en tant que tables temporaires.

numeric.registerTempTable("numeric")
Ref.registerTempTable("Ref")

test  = numeric.join(Ref, numeric.ID == Ref.ID, joinType='inner')

Je voudrais maintenant les rejoindre en fonction de plusieurs colonnes.

J'obtiens SyntaxError: syntaxe invalide avec ceci:

test  = numeric.join(Ref,
   numeric.ID == Ref.ID AND numeric.TYPE == Ref.TYPE AND
   numeric.STATUS == Ref.STATUS ,  joinType='inner')
pythonapache-sparkjoinpysparkapache-spark-sql
30
user3803714

Tu devrais utiliser &/| _ opérateurs et faites attention à priorité des opérateurs (== a une priorité inférieure à celle du bit AND et OR):

df1 = sqlContext.createDataFrame(
    [(1, "a", 2.0), (2, "b", 3.0), (3, "c", 3.0)],
    ("x1", "x2", "x3"))

df2 = sqlContext.createDataFrame(
    [(1, "f", -1.0), (2, "b", 0.0)], ("x1", "x2", "x3"))

df = df1.join(df2, (df1.x1 == df2.x1) & (df1.x2 == df2.x2))
df.show()

## +---+---+---+---+---+---+
## | x1| x2| x3| x1| x2| x3|
## +---+---+---+---+---+---+
## |  2|  b|3.0|  2|  b|0.0|
## +---+---+---+---+---+---+
55
zero323

Une approche alternative serait:

df1 = sqlContext.createDataFrame(
    [(1, "a", 2.0), (2, "b", 3.0), (3, "c", 3.0)],
    ("x1", "x2", "x3"))

df2 = sqlContext.createDataFrame(
    [(1, "f", -1.0), (2, "b", 0.0)], ("x1", "x2", "x4"))

df = df1.join(df2, ['x1','x2'])
df.show()

qui produit:

+---+---+---+---+
| x1| x2| x3| x4|
+---+---+---+---+
|  2|  b|3.0|0.0|
+---+---+---+---+

L’avantage principal étant que les colonnes sur lesquelles les tables sont jointes sont non dupliquées dans la sortie, ce qui réduit le risque d’erreurs telles que org.Apache.spark.sql.AnalysisException: Reference 'x1' is ambiguous, could be: x1#50L, x1#57L.

Chaque fois que les colonnes des deux tables ont noms différents, (dans l'exemple ci-dessus, df2 a les colonnes y1, y2 et y4), vous pouvez utiliser la syntaxe suivante:

df = df1.join(df2.withColumnRenamed('y1','x1').withColumnRenamed('y2','x2'), ['x1','x2'])
28
Florian