Python 外部联接Spark数据帧，具有不相同的联接列，然后合并联接列

假设pySpark中有以下数据帧：

df1 = sqlContext.createDataFrame([Row(name='john', age=50), Row(name='james', age=25)])
df2 = sqlContext.createDataFrame([Row(name='john', weight=150), Row(name='mike', weight=115)])
df3 = sqlContext.createDataFrame([Row(name='john', age=50, weight=150), Row(name='james', age=25, weight=None), Row(name='mike', age=None, weight=115)])

现在假设我想通过加入/合并

df1

和

df2

来创建

df3

我试过了

df1.join(df2, df1.name == df2.name, 'outer')

这并不完全有效，因为它会生成两个名称列。然后，我需要以某种方式组合两个名称列，以便一个名称列中缺少的名称由另一个名称列中缺少的名称填充

我该怎么做？或者有没有更好的方法从

df1

和

df2

创建

df3

？

您可以使用返回第一个非空参数的函数

from pyspark.sql.functions import coalesce

df1 = df1.alias("df1")
df2 = df2.alias("df2")

(df1.join(df2, df1.name == df2.name, 'outer')
  .withColumn("name_", coalesce("df1.name", "df2.name"))
  .drop("name")
  .withColumnRenamed("name_", "name"))

---

这有点晚了，但如果有人需要，有一个更简单的解决方案。仅需对原始海报的解决方案进行简单更改：

df1.join(df2, 'name', 'outer')

以这种方式连接将防止名称列的重复

df3 = df1.join(df2, ['name'], 'outer')