Python PySpark：基于公共字符串列比较两个数据帧，并生成结果Boolean withColumn（）

我有两个数据帧ddf_1和ddf_2，它们共享一个字符串ID的公共列。我的目标是在ddf_1中创建一个新的布尔值is_fine列，如果ID包含在ddf_1和ddf_2中，则该列包含True；如果ID不包含在ddf_1和ddf_2中，则该列包含False

考虑以下示例数据：

#### test
#example data
data_1 = { 
    'fruits': ["apples", "banana", "cherry"],
    'myid': ['1-12', '2-12', '3-13'],
    'meat': ["pig", "cow", "chicken"]}

data_2 = { 
    'furniture': ["table", "chair", "lamp"],
    'myid': ['1-12', '0-11', '2-12'],
    'clothing': ["pants", "shoes", "socks"]}

df_1 = pd.DataFrame(data_1)
ddf_1 = spark.createDataFrame(df_1)

df_2 = pd.DataFrame(data_2)
ddf_2 = spark.createDataFrame(df_2)

我想象一个类似这样的函数：

def func(df_1, df_2, column_1, column_2):
    if df_1.column_1 != df_2.column_2:
       return df_1.withColumn('is_fact', False)
    else:
        return df_1.withColumn('is_fact', True)
    return df_1

所需的输出应如下所示：

def func(df_1, df_2, column_1, column_2):
    if df_1.column_1 != df_2.column_2:
       return df_1.withColumn('is_fact', False)
    else:
        return df_1.withColumn('is_fact', True)
    return df_1

---

利用Spark SQL解决此类问题：

query = """
select ddf_1.*,
case 
    when ddf_1.myid = ddf_2.myid  then True
    else False 
end as is_fine
from ddf_1 left outer join ddf_2 
on ddf_1.myid = ddf_2.myid
"""

display(spark.sql(query))

---

这里是您可以在

my\u id

列上的两个数据帧之间执行左外联接，并使用简单的case语句派生

is\u fine

列，如下所示

import pyspark.sql.functions as F

ddf_1.join(ddf_2, ddf_1.myid == ddf_2.myid, 'left')\
.withColumn('is_fine', F.when(ddf_2.myid.isNull(), False).otherwise(True))\
.select(ddf_1['fruits'], ddf_1['myid'], ddf_1['meat'], 'is_fine').show()

输出：

+------+----+-------+-------+
|fruits|myid|   meat|is_fine|
+------+----+-------+-------+
|cherry|3-13|chicken|  false|
|apples|1-12|    pig|   true|
|banana|2-12|    cow|   true|
+------+----+-------+-------+

---

我会用“当ddf_2.myid为NULL时的CASE”代替“当ddf_1.myid=ddf_2.myid时的CASE”，我会得到一个未找到的表或视图：ddf_1；第8行位置5异常。在

ddf_1.createOrReplaceTempView（“ddf_1”）

之前，您需要将数据帧转换为临时视图。具体问题是什么？你试过什么，做过什么研究吗？请看：，。谢谢@noufel13这对我来说太好了。我唯一改变的是使columnselect语句更通用，因为这是伪数据，我通常有很多列要选择，不能单独硬编码每个列。您可以在下面找到代码