假设我在 Spark 上有两个 DataFrame
firstdf = sqlContext.createDataFrame([{'firstdf-id':1,'firstdf-column1':2,'firstdf-column2':3,'firstdf-column3':4}, \
{'firstdf-id':2,'firstdf-column1':3,'firstdf-column2':4,'firstdf-column3':5}])
seconddf = sqlContext.createDataFrame([{'seconddf-id':1,'seconddf-column1':2,'seconddf-column2':4,'seconddf-column3':5}, \
{'seconddf-id':2,'seconddf-column1':6,'seconddf-column2':7,'seconddf-column3':8}])
现在我想通过多列(任何大于一的数字)加入它们
我拥有的是第一个 DataFrame 的列数组和第二个 DataFrame 的列数组,这些数组具有相同的大小,我想通过这些数组中指定的列加入。例如:
columnsFirstDf = ['firstdf-id', 'firstdf-column1']
columnsSecondDf = ['seconddf-id', 'seconddf-column1']
由于这些数组的大小可变,我不能使用这种方法:
from pyspark.sql.functions import *
firstdf.join(seconddf, \
(col(columnsFirstDf[0]) == col(columnsSecondDf[0])) &
(col(columnsFirstDf[1]) == col(columnsSecondDf[1])), \
'inner'
)
有什么方法可以动态加入多个列?
最佳答案
为什么不使用简单的理解:
firstdf.join(
seconddf,
[col(f) == col(s) for (f, s) in zip(columnsFirstDf, columnsSecondDf)],
"inner"
)
由于您使用了逻辑,因此提供不带
&
的条件列表就足够了。运算符(operator)。
关于python - PySpark DataFrame - 动态加入多列,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/39606589/