我正在使用 pyspark,但我遇到了外部连接的问题。基本上,如果我使用列名列表作为“ON”条件,则连接的结果是内部连接,无论我是否指定“outer_left”选项。如果我指定完全相等(即 df1.id == df2.id)而不是列名列表,问题就会消失。
换句话说:
testDf = sc.parallelize([['a', 1], ['b', 1]]).toDF(['id', 'val1'])
testDf2 = sc.parallelize([['a', 2]]).toDF(['id', 'val2'])
cond = [testDf.id == testDf2.id]
testDf.join(testDf2, cond, how='left_outer').collect()
将返回右左外连接:
[Row(id=u'a', val1=1, id=u'a', val2=2),Row(id=u'b', val1=1, id=None, val2=None)]
但如果我使用
testDf.join(testDf2, 'id', how='left_outer').collect()
它将返回一个内部连接
[Row(id=u'a', val1=1, val2=2)]
你能帮我理解为什么吗? 非常感谢!
最佳答案
正如官方所说documentation :
If
on
is a string or a list of string indicating the name of the join column(s),the column(s) must exist on both sides, and this performs an inner equi-join.
关于python - Pyspark SparkSQL : issue with outer join,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/33905902/