Как объединить несколько столбцов в Pyspark?

Я использую Spark 1.3 и хотел бы присоединиться к нескольким столбцам, используя интерфейс python (SparkSQL)

Следующие работы:

Я сначала регистрирую их как временные таблицы.

numeric.registerTempTable("numeric")
Ref.registerTempTable("Ref")

test  = numeric.join(Ref, numeric.ID == Ref.ID, joinType='inner')

Теперь я хотел бы присоединиться к ним на основе нескольких столбцов.

Я получаю SyntaxError: недопустимый синтаксис с этим:

test  = numeric.join(Ref,
   numeric.ID == Ref.ID AND numeric.TYPE == Ref.TYPE AND
   numeric.STATUS == Ref.STATUS ,  joinType='inner')

Ответы

Ответ 1

Вы должны использовать &/| и будьте осторожны с приоритетами операторов (== имеет меньший приоритет, чем побитовые AND и OR):

df1 = sqlContext.createDataFrame(
    [(1, "a", 2.0), (2, "b", 3.0), (3, "c", 3.0)],
    ("x1", "x2", "x3"))

df2 = sqlContext.createDataFrame(
    [(1, "f", -1.0), (2, "b", 0.0)], ("x1", "x2", "x3"))

df = df1.join(df2, (df1.x1 == df2.x1) & (df1.x2 == df2.x2))
df.show()

## +---+---+---+---+---+---+
## | x1| x2| x3| x1| x2| x3|
## +---+---+---+---+---+---+
## |  2|  b|3.0|  2|  b|0.0|
## +---+---+---+---+---+---+

Ответ 2

Альтернативный подход будет:

df1 = sqlContext.createDataFrame(
    [(1, "a", 2.0), (2, "b", 3.0), (3, "c", 3.0)],
    ("x1", "x2", "x3"))

df2 = sqlContext.createDataFrame(
    [(1, "f", -1.0), (2, "b", 0.0)], ("x1", "x2", "x4"))

df = df1.join(df2, ['x1','x2'])
df.show()

какие выводы:

+---+---+---+---+
| x1| x2| x3| x4|
+---+---+---+---+
|  2|  b|3.0|0.0|
+---+---+---+---+

Основным преимуществом является то, что столбцы, к которым объединяются таблицы, не дублируются в выходных данных, что снижает риск возникновения ошибок, таких как org.apache.spark.sql.AnalysisException: Reference 'x1' is ambiguous, could be: x1#50L, x1#57L.

Когда столбцы в этих двух таблицах имеют разные имена (скажем, в приведенном выше df2 столбцы df2 столбцы y1, y2 и y4), вы можете использовать следующий синтаксис:

df = df1.join(df2.withColumnRenamed('y1','x1').withColumnRenamed('y2','x2'), ['x1','x2'])