Java 包含数组的 spark dataframe 连接列

Question

我有 2 个数据帧 df1 和 df2。 df1 有 1 个字符串类型的列键

df1.show()

钥匙
----
k1
k2
k3

df2 有 2 列
df2.show()
话题 |钥匙
--------------
 t1 | [k1, k2]
 t2 | [pk1, pk2]

当 df1.key 出现在 df2.keys 中时，我想加入 2 个数据帧。我在此处看到以前发布的示例

但是，我正在寻找一个完整的单词匹配项。 Contains 方法正在连接具有部分匹配项的行。我的意思是在上面的例子中，我不希望 k2 与 [pk1, pk2] 连接，因为数组不包含键 k2，它包含 pk2.

有人可以建议在这种情况下如何加入吗？请在 JAVA.

中提供示例

Answer 1

你可以做的是分解你的数组并像这样每个键一行：

df2 = df2.withColumn("key", explode(df2.col("keys")))
df2.show()

+-----+----------+---+
|topic|      keys|key|
+-----+----------+---+
|   t1|  [k1, k2]| k1|
|   t1|  [k1, k2]| k2|
|   t2|[pk1, pk2]|pk1|
|   t2|[pk1, pk2]|pk2|
+-----+----------+---+

那么您可以加入这个新专栏：

Dataset<Row> result = df2.join(key, df2.col("key").equalTo(df1.col("key")), "inner")
result.show()

+-----+--------+---+---+
|topic|    keys|key|key|
+-----+--------+---+---+
|   t1|[k1, k2]| k1| k1|
|   t1|[k1, k2]| k2| k2|
+-----+--------+---+---+

请注意，它不是很有效，因为它会重复数据。

Answer 2

函数"array_contains"可以使用：

val df1 = List("k1", "k2", "k3").toDF("key")
val df2 = List(
  ("t1", Array("k1", "k2")),
  ("t2", Array("pk1", "pk2"))
).toDF("topic", "keys")
val result = df1.join(df2, expr("array_contains(keys,key)"))
result.show(false)

输出：

+---+-----+--------+
|key|topic|keys    |
+---+-----+--------+
|k1 |t1   |[k1, k2]|
|k2 |t1   |[k1, k2]|
+---+-----+--------+

Java 包含数组的 spark dataframe 连接列

Java spark dataframe join column containing array

java

arrays

apache-spark

spark-dataframe