Python 2.7 Pyspark按另一个数据帧的列筛选数据帧
不知道为什么我在这方面遇到了困难,考虑到在R或pandas中做这件事相当容易,它看起来很简单。但是我想避免使用pandas,因为我要处理大量数据,我相信Python 2.7 Pyspark按另一个数据帧的列筛选数据帧,python-2.7,apache-spark,dataframe,pyspark,apache-spark-sql,Python 2.7,Apache Spark,Dataframe,Pyspark,Apache Spark Sql,不知道为什么我在这方面遇到了困难,考虑到在R或pandas中做这件事相当容易,它看起来很简单。但是我想避免使用pandas,因为我要处理大量数据,我相信toPandas()会将所有数据加载到pyspark中的驱动程序内存中 我有两个数据帧:df1和df2。我想筛选df1(删除所有行),其中df1.userid=df2.userid和df1.group=df2.group。我不确定是否应该使用filter(),join(),或sql,例如: df1: +------+----------+----
toPandas()
会将所有数据加载到pyspark中的驱动程序内存中
我有两个数据帧:df1
和df2
。我想筛选df1
(删除所有行),其中df1.userid=df2.userid
和df1.group=df2.group
。我不确定是否应该使用filter()
,join()
,或sql
,例如:
df1:
+------+----------+--------------------+
|userid| group | all_picks |
+------+----------+--------------------+
| 348| 2|[225, 2235, 2225] |
| 567| 1|[1110, 1150] |
| 595| 1|[1150, 1150, 1150] |
| 580| 2|[2240, 2225] |
| 448| 1|[1130] |
+------+----------+--------------------+
df2:
+------+----------+---------+
|userid| group | pick |
+------+----------+---------+
| 348| 2| 2270|
| 595| 1| 2125|
+------+----------+---------+
Result I want:
+------+----------+--------------------+
|userid| group | all_picks |
+------+----------+--------------------+
| 567| 1|[1110, 1150] |
| 580| 2|[2240, 2225] |
| 448| 1|[1130] |
+------+----------+--------------------+
编辑:
我已经尝试了许多join()和filter()函数,我认为最接近的是:
cond = [df1.userid == df2.userid, df2.group == df2.group]
df1.join(df2, cond, 'left_outer').select(df1.userid, df1.group, df1.all_picks) # Result has 7 rows
我尝试了一系列不同的连接类型,还尝试了不同的cond
值:
cond=((df1.userid==df2.userid)和(df2.group==df2.group))#结果有7行
cond=((df1.userid!=df2.userid)&(df2.group!=df2.group))#结果有两行
然而,连接似乎是在添加额外的行,而不是删除
我使用的是
python 2.7
和spark 2.1.0
您需要的是左反连接:
df1.join(df2, ["userid", "group"], "leftanti")
但同样的事情也可以通过左外连接完成:
(df1
.join(df2, ["userid", "group"], "leftouter")
.where(df2["pick"].isNull())
.drop(df2["pick"]))