python - 使用 UDF 加入 Pyspark Dataframe

Question

我正在尝试为 PySpark 中的两个数据帧(df1 和 df2)创建自定义连接(类似于 this)，代码如下所示:

my_join_udf = udf(lambda x, y: isJoin(x, y), BooleanType())
my_join_df = df1.join(df2, my_join_udf(df1.col_a, df2.col_b))

我得到的错误信息是:

java.lang.RuntimeException: Invalid PythonUDF PythonUDF#<lambda>(col_a#17,col_b#0), requires attributes from more than one child

有没有一种方法可以编写可以处理来自两个独立数据帧的列的 PySpark UDF？

Answer 1

Spark 2.2+

你必须使用 crossJoin或启用交叉连接 in the configuration :

df1.crossJoin(df2).where(my_join_udf(df1.col_a, df2.col_b))

Spark 2.0、2.1

下面显示的方法在 Spark 2.x 中不再有效。参见 SPARK-19728 .

Spark 1.x

理论上可以加入和过滤:

df1.join(df2).where(my_join_udf(df1.col_a, df2.col_b))

但一般来说，您不应该全部这样做。任何不基于相等的join 类型都需要完整的笛卡尔积(与答案相同)，这很少被接受(另请参见 Why using a UDF in a SQL query leads to cartesian product?)。