我试图在spark1.6.1中使用SQLContext.subtract()从一个数据帧中移除基于另一个数据帧中的列的行。我们举个例子:
from pyspark.sql import Row
df1 = sqlContext.createDataFrame([
Row(name='Alice', age=2),
Row(name='Bob', age=1),
]).alias('df1')
df2 = sqlContext.createDataFrame([
Row(name='Bob'),
])
df1_with_df2 = df1.join(df2, 'name').select('df1.*')
df1_without_df2 = df1.subtract(df1_with_df2)
因为我需要df1
中不包括name='Bob'
的所有行,所以我希望Row(age=2, name='Alice')
。但我也找回了鲍勃:
在进行了各种各样的实验之后,我发现问题出在age
键上。如果我省略它:
df1_noage = sqlContext.createDataFrame([
Row(name='Alice'),
Row(name='Bob'),
]).alias('df1_noage')
df1_noage_with_df2 = df1_noage.join(df2, 'name').select('df1_noage.*')
df1_noage_without_df2 = df1_noage.subtract(df1_noage_with_df2)
print(df1_noage_without_df2.collect())
# [Row(name='Alice')]
那我就如期得到爱丽丝了。我所做的最奇怪的观察是,可以添加键,只要它们位于我在join中使用的键之后的(在字典顺序意义上):
df1_zage = sqlContext.createDataFrame([
Row(zage=2, name='Alice'),
Row(zage=1, name='Bob'),
]).alias('df1_zage')
df1_zage_with_df2 = df1_zage.join(df2, 'name').select('df1_zage.*')
df1_zage_without_df2 = df1_zage.subtract(df1_zage_with_df2)
print(df1_zage_without_df2.collect())
# [Row(name='Alice', zage=2)]
我正确地理解了爱丽丝(和她的扎格)!在我的实际示例中,我对所有列都感兴趣,而不仅仅是name
之后的列。在
这里有一些bug(第一个问题看起来与SPARK-6231有关),JIRA看起来是个好主意,但是
SUBTRACT
/EXCEPT
不是部分匹配的正确选择。相反,您可以使用反连接:在1.6中,您可以使用标准外部联接执行几乎相同的操作:
^{pr2}$相关问题 更多 >
编程相关推荐