Ответ 1
Чтобы использовать joinWith вам сначала нужно создать DataSet, и, скорее всего, два из них. Чтобы создать DataSet, вам нужно создать класс case, соответствующий вашей схеме, и вызвать DataFrame.as[T] где T - ваш класс case. Так:
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]
Вы также можете пропустить класс case и использовать кортеж:
val tupDs = df.as[(Int,String)]
// org.apache.spark.sql.Dataset[(Int, String)] = [_1: int, _2: string]
Тогда, если у вас есть другой класс case/DF, вот так:
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]
Тогда, когда синтаксис join и joinWith схожи, результаты разные:
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]|
// +---------+-----------+
Как вы можете видеть, joinWith оставляет объекты неповрежденными как части кортежа, а join выравнивает столбцы в одно пространство имен. (Это вызовет проблемы в приведенном выше случае, потому что имя столбца "ключ" повторяется.)
Любопытно, что я должен использовать df.col("key") и df2.col("key") для создания условий для соединения ds и ds2 - если вы используете только col("key") с каждой стороны, он делает не работает, а ds.col(...) не существует. Однако использование оригинала df.col("key") делает трюк.