pyspark 处理并比较 2 个数据帧

Question

我正在使用 pyspark (Spark 2.2.0) 使用 2 个具有公共列的数据帧。我正在处理的要求如下：按照以下规则加入 2 个框架。

frame1 = [第1列，第2列，第3列...... column_n] ### dataframe

frame2 = [第1列，第2列，第3列...... column_n] ### dataframe

key = [Column 1, Column 2] ### 是一个数组

If frame1.[Column1, column2] == frame1.[Column1, column2]

 if frame1.column_n ==  frame2.column_n 
   write to a new data frame DF_A using values from frame 2 as is

 if frame1.column_n !=  frame2.column_n
   write to a new data frame DF_A using values from frame 1 as is
   write to a new data frame DF_B using values from frame 2 but with column3, & column 5 hard coded values

为此，我首先创建 2 个临时视图并动态构建 3 个 SQLs。

  sql_1 = select frame1.* from  frame1 join frame2 on [frame1.keys] = [frame2.keys]
  where frame1.column_n=frame2.column_n
  DFA = sqlContext.sql(sql_1)

  sql_2 = select [all columns from frame1]  from  frame1 join frame2 on         [frame1.keys] = [frame2.keys]
  where frame1.column_n != frame2.column_n
  DF_A = DF_A.union(sqlContext.sql(sql_2))

  sql_3 = select [all columns from frame2 except for column3 & column5 to be hard coded] from  frame1 join frame2 on [frame1.keys] = [frame2.keys]
  where frame1.column_n != frame2.column_n
  DF_B = sqlContext.sql(sql_1)

问题1：有没有更好的方式动态传递加入的key columns？我目前通过维护数组中的键列（正在工作）和构建 SQL 来做到这一点。

问题2：有没有更好的方法在不改变列顺序的情况下动态传递选择列？我目前正在通过维护数组中的列名并执行连接来做到这一点。

我确实考虑过一个完整的外部连接选项，但由于列名相同，我认为重命名的开销会更大。

Answer 1

对于问题 #1 和 #2，我从数据框架构（df.schema.names 和 df.columns）中获取列名并在循环内进行字符串处理。

对于逻辑，我使用了最少的 2 个 SQL - 一个具有完全外部连接。

pyspark 处理并比较 2 个数据帧

pyspark processing & compare 2 dataframes

dynamic-sql

apache-spark-sql

pyspark