在子字符串匹配(或包含)上加入PySpark数据帧
我想在两个数据帧之间执行左连接,但列不完全匹配。第一个数据帧中的联接列相对于第二个数据帧有一个额外的后缀在子字符串匹配(或包含)上加入PySpark数据帧,pyspark,Pyspark,我想在两个数据帧之间执行左连接,但列不完全匹配。第一个数据帧中的联接列相对于第二个数据帧有一个额外的后缀 from pyspark import SparkContext import pyspark.sql.functions as f sc = SparkContext() df1 = sc.parallelize([ ['AB-101-1', 'el1', 1.5], ['ABC-1020-1', 'el2', 1.3], ['AC-1030-1', 'el3'
from pyspark import SparkContext
import pyspark.sql.functions as f
sc = SparkContext()
df1 = sc.parallelize([
['AB-101-1', 'el1', 1.5],
['ABC-1020-1', 'el2', 1.3],
['AC-1030-1', 'el3', 8.5]
]).toDF(('id1', 'el', 'v1'))
df2 = sc.parallelize([
['AB-101', 3],
['ABC-1020', 4]
]).toDF(('id2', 'v2'))
作为左连接的结果,我希望得到的数据帧是:
df_join = sc.parallelize([
['AB-101-1', 'el1', 1.5, 'AB-101', 3],
['ABC-1020-1', 'el2', 1.3, 'ABC-1020', 4],
['AC-103-1', 'el3', 8.5, None, None]
]).toDF(('id1', 'el', 'v1', 'id2', 'v2'))
我很乐意使用
pyspark.sql.substring
获取“除最后2个字符外的所有字符”,或者使用类似pyspark.sql.like
的内容,但是我不知道如何使这两种方法在连接内部正常工作。此解决方案使用split
解构原始id1
,然后concat
重建较短的id2
df1 = (
df1
.withColumn('id1_els', f.split('id1','-'))
.withColumn('id2',
f.concat(f.col('id1_els').getItem(0)
, f.lit('-')
, f.col('id1_els').getItem(1)))
)
df_join = df1.join(df2, 'id2', 'left').show()
但是我宁愿使用带有
子字符串的解决方案
或包含的解决方案
,因为这在很大程度上取决于我的ID字段的特定形式。此解决方案使用split
解构原始的id1
,然后使用concat
重新构建较短的id2
df1 = (
df1
.withColumn('id1_els', f.split('id1','-'))
.withColumn('id2',
f.concat(f.col('id1_els').getItem(0)
, f.lit('-')
, f.col('id1_els').getItem(1)))
)
df_join = df1.join(df2, 'id2', 'left').show()
但是我更愿意使用带有
子字符串的解决方案,或者包含,因为这在很大程度上取决于我的ID字段的特定形式。如果id1
&id2
有一些类似于您在问题中说明的模式,那么我建议采用以下方法
from pyspark.sql.functions import regexp_extract
df1 = sc.parallelize([
['AB-101-1', 'el1', 1.5],
['ABC-1020-1', 'el2', 1.3],
['AC-1030-1', 'el3', 8.5]
]).toDF(('id1', 'el', 'v1'))
df2 = sc.parallelize([
['AB-101', 3],
['ABC-1020', 4]
]).toDF(('id2', 'v2'))
df1 = df1.withColumn("id1_transformed", regexp_extract('id1', '(.*-.*)(-.*)', 1))
df_join = df1.join(df2, df1.id1_transformed==df2.id2, 'left').drop("id1_transformed")
df_join.show()
输出为:
+----------+---+---+--------+----+
| id1| el| v1| id2| v2|
+----------+---+---+--------+----+
|ABC-1020-1|el2|1.3|ABC-1020| 4|
| AB-101-1|el1|1.5| AB-101| 3|
| AC-1030-1|el3|8.5| null|null|
+----------+---+---+--------+----+
希望这有帮助 如果id1
和id2
有一些类似于您在问题中所说明的模式,那么我建议采用以下方法
from pyspark.sql.functions import regexp_extract
df1 = sc.parallelize([
['AB-101-1', 'el1', 1.5],
['ABC-1020-1', 'el2', 1.3],
['AC-1030-1', 'el3', 8.5]
]).toDF(('id1', 'el', 'v1'))
df2 = sc.parallelize([
['AB-101', 3],
['ABC-1020', 4]
]).toDF(('id2', 'v2'))
df1 = df1.withColumn("id1_transformed", regexp_extract('id1', '(.*-.*)(-.*)', 1))
df_join = df1.join(df2, df1.id1_transformed==df2.id2, 'left').drop("id1_transformed")
df_join.show()
输出为:
+----------+---+---+--------+----+
| id1| el| v1| id2| v2|
+----------+---+---+--------+----+
|ABC-1020-1|el2|1.3|ABC-1020| 4|
| AB-101-1|el1|1.5| AB-101| 3|
| AC-1030-1|el3|8.5| null|null|
+----------+---+---+--------+----+
希望这有帮助 在您的特定情况下,regexp\u extract
可能是您的最佳选择,但在一般情况下,您可以使用:
df_join = df1.join(df2, df2.id2.contains(df1.id1), how='left')
在您的特定情况下,regexp\u extract
可能是您的最佳选择,但在一般情况下,您可以使用:
df_join = df1.join(df2, df2.id2.contains(df1.id1), how='left')
我在下面贴了一个有限的解决方案作为答案,但我很乐意接受一个更一般的答案。我在下面贴了一个有限的解决方案作为答案,但我很乐意接受一个更一般的答案。