如何在PySpark中比较来自另一个数据帧的列

Question

我有两个数据帧：
首先是平均值：

+----------+-----+  
| Category | AVG |  
+----------+-----+  
| Categ    | 1.0 |  
+----------+-----+  
| Categ2   | 0.5 | 
+----------+-----+
... 

…
第二个有休闲类别：类别、名称、价格
问题是: 如何从第一个表中删除所有价格低于平均价格的记录？？
我试过这样做：

dataGreaterAvge = data.where(data.Price >= avgCategoryPrice.where(data.Category == avgCategoryPrice.Category).collect()[0]["avg(Price)"])

dataGreaterAvge  - First dataframe
data - Second dataframe

但是，这并不能像它应该的那样工作，因为它只从average values表中获取第一个元素的值

Answer 1

Spark就像SQL一样工作。。。所以

首先，您需要加入数据帧

a = df1.alias('a')
b = df2.alias('b')
df_joined = a.join(b, a.Category == b.Category)

然后你就可以正确地过滤了

from pyspark.sql import functions as f

df_joined.select(col('a.category'),col('a.AVG'))\
         .where(col('a.AVG') > f.avg(col('b.avg')).groupBy(col('a.AVG'))