Python 在PySpark中查找两个数据帧之间的更改
我有两个数据帧,比如说dfA和dfBPython 在PySpark中查找两个数据帧之间的更改,python,apache-spark,pyspark,Python,Apache Spark,Pyspark,我有两个数据帧,比如说dfA和dfB dfA: IdCol | Col2 | Col3 id1 | val2 | val3 dfB: IdCol | Col2 | Col3 id1 | val2 | val4 这两个数据帧以IdCol形式连接。我希望每行比较它们,保持列不同,并在另一个数据帧中保留它们的值。例如,从上述两个数据帧中,我希望得到一个结果: dfChanges: RowId | Col | dfA_value | dfB_value | id1 | Col3
dfA:
IdCol | Col2 | Col3
id1 | val2 | val3
dfB:
IdCol | Col2 | Col3
id1 | val2 | val4
这两个数据帧以IdCol形式连接。我希望每行比较它们,保持列不同,并在另一个数据帧中保留它们的值。例如,从上述两个数据帧中,我希望得到一个结果:
dfChanges:
RowId | Col | dfA_value | dfB_value |
id1 | Col3 | val_3 | val_4 |
我有点困在如何做这件事上了。有人能提供方向吗?
提前谢谢
编辑
我的尝试是这样的。但是它不是很清楚或者有很好的表现。有更好的方法吗
dfChanges = None
#for all column excpet id
for colName in dfA.column[1:]:
#Select whole columns of id and targeted column
#from both datasets and subtract to find differences
changedRows = dfA.select(['IdCol',colName]).subtract(dfB.select(['IdCol',colName]))
#Join with dfB to take the value of targeted column from there
temp = changedRows.join(dfB.select(col('IdCol'),col(colName).alias("dfB_value")),dfA.IdCol == dfB.IdCol, 'inner'). \
drop(dfB.IdCol)
#Proper Rename columns
temp = temp.withColumnRenamed(colname,"dfA_value")
temp = temp.withColumn("Col",lit(colName))
#Append to a single dataframe
if (dfChanges is None):
dfChanges = temp
else:
dfChanges = dfChanges.union(temp)
按id连接两个数据帧:
dfA = spark.createDataFrame(
[("id1", "val2", "val3")], ("Idcol1", "Col2", "Col3")
)
dfB = spark.createDataFrame(
[("id1", "val2", "val4")], ("Idcol1", "Col2", "Col3")
)
dfAB = dfA.alias("dfA").join(dfB.alias("dfB"), "idCol1")
重塑:
from pyspark.sql.functions import col, struct
ids = ["Idcol1"]
vals = [struct(
col("dfA.{}".format(c)).alias("dfA_value"),
col("dfB.{}".format(c)).alias("dfB_value")
).alias(c) for c in dfA.columns if c not in ids]
和melt
(定义)
这很好地工作,但我面临这个问题:当我的原始数据帧在列中有混合数据类型(例如,一个是整数,另一个是字符串)时,melt函数崩溃,无法解析数组异常。我目前将所有变量强制转换为字符串,但我认为这是不必要的。有没有修改melt函数以处理所有数据类型的建议?除了在melt函数中使用struct之外,我还应该使用其他数据类型吗?如果希望在单个表中进行所有更改,则需要使用单个类型。Spark使用关系模型,不支持联合类型。因此,如果输入是混合的,则必须强制转换。你们可以试着在熔化前比较数据,以避免不精确的问题。非常感谢,这真的很有帮助
(melt(dfAB.select(ids + vals), ids, [c for c in dfA.columns if c not in ids])
.where(col("value.dfA_value") != col("value.dfB_value"))
.select(ids + ["variable" , "value.dfA_value", "value.dfB_value"])
.show())
+------+--------+---------+---------+
|Idcol1|variable|dfA_value|dfB_value|
+------+--------+---------+---------+
| id1| Col3| val3| val4|
+------+--------+---------+---------+