如何在基于另一个DataFrame的列上删除DataFrame中的行？

Quentin Pradet 发表于 Dev

昆汀·普拉德（Quentin Pradet）

我正在尝试在Spark 1.6.1中使用SQLContext.subtract（）基于另一个数据框中的列从数据框中删除行。让我们举个例子：

from pyspark.sql import Row

df1 = sqlContext.createDataFrame([
    Row(name='Alice', age=2),
    Row(name='Bob', age=1),
]).alias('df1')

df2 = sqlContext.createDataFrame([
    Row(name='Bob'),
])

df1_with_df2 = df1.join(df2, 'name').select('df1.*')
df1_without_df2 = df1.subtract(df1_with_df2)

由于我希望所有df1不包括在内的行都在name='Bob'我的期望之中Row(age=2, name='Alice')。但是我还检索了鲍勃：

print(df1_without_df2.collect())
# [Row(age='1', name='Bob'), Row(age='2', name='Alice')]

经过各种实验以了解此MCVE，我发现问题出在age关键。如果我忽略它：

df1_noage = sqlContext.createDataFrame([
    Row(name='Alice'),
    Row(name='Bob'),
]).alias('df1_noage')

df1_noage_with_df2 = df1_noage.join(df2, 'name').select('df1_noage.*')
df1_noage_without_df2 = df1_noage.subtract(df1_noage_with_df2)
print(df1_noage_without_df2.collect())
# [Row(name='Alice')]

然后我只得到预期的爱丽丝。我所做的最奇怪的观察是，可以添加键，只要它们在连接中使用了键之后（按字典顺序的意义）：

df1_zage = sqlContext.createDataFrame([
    Row(zage=2, name='Alice'),
    Row(zage=1, name='Bob'),
]).alias('df1_zage')

df1_zage_with_df2 = df1_zage.join(df2, 'name').select('df1_zage.*')
df1_zage_without_df2 = df1_zage.subtract(df1_zage_with_df2)
print(df1_zage_without_df2.collect())
# [Row(name='Alice', zage=2)]

我正确地得到了爱丽丝（和她的zage）！在我的实际示例中，我对所有列都感兴趣，而不仅仅是after之后的那些列name。

零323

好吧，这里有一些错误（第一个问题似乎与SPARK-6231涉及相同的问题），JIRA看起来是个好主意，但SUBTRACT/EXCEPT不是部分匹配的正确选择。

相反，从Spark 2.0开始，您可以使用anti-join：

df1.join(df1_with_df2, ["name"], "leftanti").show()

在1.6中，您可以使用标准外部联接执行几乎相同的操作：

import pyspark.sql.functions as F

ref = df1_with_df2.select("name").alias("ref")

(df1
    .join(ref, ref.name == df1.name, "leftouter")
    .filter(F.isnull("ref.name"))
    .drop(F.col("ref.name")))

本文收集自互联网，转载请注明来源。

如有侵权，请联系[email protected] 删除。