PySpark：根据另一个数据框的日期范围过滤数据

Question

如果 df1.date1 位于 df2.date2 和 df2.date3 之间（只有三个范围），我正在尝试 select 来自 df1 的记录允许 date2、date3 组合，按行）。

在我的例子中，没有通用变量来建立 'join' 标准。我尝试了不同的 pyspark.sql 函数，例如 'filter'、'when'、'withColumn'、'date_sub'、'date_add' 等，但无法找到解决方案。

我确实看过几个 SO 帖子，但是，他们中的大多数建议使用 'join'，这可能不适合我的问题！

df1

+----------+-----------+
|  emp_id  |   date1   |
+----------+-----------+
|   67891  | 11-13-2015|
|   12345  | 02-28-2017|
|   34567  | 04-07-2017|
+----------+-----------+

df2

+------------+------------+
|  date2     |   date3    |
+------------+------------+
|01-28-2017  | 03-15-2017 |
|07-13-2017  | 11-13-2017 |
|06-07-2018  | 09-07-2018 |
+------------+------------+

预期记录:

+----------+-----------+
|  emp_id  |   date1   |
+----------+-----------+
|   12345  | 02-28-2017|
+----------+-----------+

Answer 1

您可以在 spark 中进行非相等连接。您不一定需要匹配的密钥。

这是在 scala 中，我很确定它在 python 中几乎相同。让我知道它是否不起作用。也会更新 pyspark 中的答案。

scala> df1.join(df2 , 'date1 > 'date2 && 'date1 < 'date3).show
    +------+----------+----------+----------+
    |emp_id|     date1|     date2|     date3|
    +------+----------+----------+----------+
    | 12345|02-28-2017|01-28-2017|03-15-2017|
    +------+----------+----------+----------+

Pyspark 解决方案：

>>> from pyspark.sql.functions import unix_timestamp
>>> from pyspark.sql.functions import from_unixtime
>>> x = [(67891 ,'11-13-2015'),(12345, '02-28-2017'),(34567,'04-07-2017')]
>>> df1 = spark.createDataFrame(x,['emp_id','date1'])
>>> y = [('01-28-2017','03-15-2017'),('07-13-2017','11-13-2017'),('06-07-2018','09-07-2018')]
>>> df2 = spark.createDataFrame(y,['date2','date3'])
>>> df1a = df1.select('emp_id', from_unixtime(unix_timestamp('date1', 'MM-dd-yyy')).alias('date1'))
>>> df2a = df2.select(from_unixtime(unix_timestamp('date2', 'MM-dd-yyy')).alias('date2'),from_unixtime(unix_timestamp('date3', 'MM-dd-yyy')).alias('date3'))


>>> df1a.join(df2a, on=[df1a['date1'] > df2a['date2'], df1a['date1'] < df2a['date3']]).show()
+------+-------------------+-------------------+-------------------+
|emp_id|              date1|              date2|              date3|
+------+-------------------+-------------------+-------------------+
| 12345|2017-02-28 00:00:00|2017-01-28 00:00:00|2017-03-15 00:00:00|
+------+-------------------+-------------------+-------------------+

PySpark：根据另一个数据框的日期范围过滤数据

PySpark: Filter data based on a date range from another data frame

python

apache-spark

apache-spark-sql

pyspark

pyspark-sql