我正在尝试使用 Spark Dataset API 但我在做一个简单的连接时遇到了一些问题。
假设我有两个带字段的数据集:date | value
,然后在 DataFrame
的情况下我的加入看起来像:
val dfA : DataFrame
val dfB : DataFrame
dfA.join(dfB, dfB("date") === dfA("date") )
然而对于
Dataset
有 .joinWith
方法,但同样的方法不起作用:val dfA : Dataset
val dfB : Dataset
dfA.joinWith(dfB, ? )
.joinWith
所需的参数是什么? ?
最佳答案
使用 joinWith
您首先必须创建一个 DataSet
,而且很可能是其中两个。创建一个 DataSet
,您需要创建一个与您的架构匹配的案例类并调用 DataFrame.as[T]
哪里T
是你的案例类。所以:
case class KeyValue(key: Int, value: String)
val df = Seq((1,"asdf"),(2,"34234")).toDF("key", "value")
val ds = df.as[KeyValue]
// org.apache.spark.sql.Dataset[KeyValue] = [key: int, value: string]
您还可以跳过案例类并使用元组:
val tupDs = df.as[(Int,String)]
// org.apache.spark.sql.Dataset[(Int, String)] = [_1: int, _2: string]
然后,如果您有另一个案例类/DF,就像这样说:
case class Nums(key: Int, num1: Double, num2: Long)
val df2 = Seq((1,7.7,101L),(2,1.2,10L)).toDF("key","num1","num2")
val ds2 = df2.as[Nums]
// org.apache.spark.sql.Dataset[Nums] = [key: int, num1: double, num2: bigint]
然后,而
join
的语法和 joinWith
相似,结果不同:df.join(df2, df.col("key") === df2.col("key")).show
// +---+-----+---+----+----+
// |key|value|key|num1|num2|
// +---+-----+---+----+----+
// | 1| asdf| 1| 7.7| 101|
// | 2|34234| 2| 1.2| 10|
// +---+-----+---+----+----+
ds.joinWith(ds2, df.col("key") === df2.col("key")).show
// +---------+-----------+
// | _1| _2|
// +---------+-----------+
// | [1,asdf]|[1,7.7,101]|
// |[2,34234]| [2,1.2,10]|
// +---------+-----------+
如您所见,
joinWith
将对象作为元组的一部分完好无损,而 join
将列展平为单个命名空间。 (在上述情况下会导致问题,因为列名“key”重复了。)奇怪的是,我必须使用
df.col("key")
和 df2.col("key")
为加盟创造条件ds
和 ds2
-- 如果你只使用 col("key")
在任何一侧它都不起作用,并且 ds.col(...)
不存在。使用原版df.col("key")
然而,有诀窍。
关于scala - Spark 数据集 API - 加入,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/36462674/