内部加入pyspark

Question

我有一个 pyspark 数据框 (df1)，它包含 10K 行，数据框看起来像 -

id       mobile_no       value
1        1111111111        .43
2        2222222222        .54
3        3333333333        .03
4        4444444444        .22

另一个 pyspark 数据框 (df2) 由 100k 条记录组成，看起来像 -

mobile_no            gender
912222222222           M
914444444444           M
919999999999           F
915555555555           M
918888888888           F

我想使用 pyspark 进行内部连接，最终数据框看起来像 -

mobile_no          value           gender
2222222222         .54               M
4444444444         .22               M

mobile_no 的长度在 df2 中是 12，但在 df1 中是 10。我可以加入它，但它的操作成本很高。对使用 pyspark 有帮助吗？

common_cust = spark.sql("SELECT mobile_number, age \
                         FROM df1 \
                         WHERE mobile_number IN (SELECT DISTINCT mobile_number FROM df2)")

Answer 1

一种方法是在 df2 上使用 substring 函数来仅保留最后 10 位数字以获得与 df1:

中相同的长度

import pyspark.sql.functions as F

ddf2.select(F.substring('mobile_no', 3, 10).alias('mobile_no'),'gender').show()
+----------+------+
| mobile_no|gender|
+----------+------+
|2222222222|     M|
|4444444444|     M|
|9999999999|     F|
|5555555555|     M|
|8888888888|     F|
+----------+------+

然后你只需要做一个内部join来得到你预期的输出：

common_cust = df1.select('mobile_no', 'value')\
                 .join( df2.select(F.substring('mobile_no', 3, 10).alias('mobile_no'),'gender'), 
                        on=['mobile_no'], how='inner')
common_cust.show()
+----------+-----+------+
| mobile_no|value|gender|
+----------+-----+------+
|2222222222| 0.54|     M|
|4444444444| 0.22|     M|
+----------+-----+------+

如果你想使用 spark.sql，我想你可以这样做：

common_cust = spark.sql("""select df1.mobile_no, df1.value, df2.gender
                           from df1
                           inner join df2 
                           on df1.mobile_no = substring(df2.mobile_no, 3, 10)""")

内部加入pyspark

inner join in pyspark

pyspark

pyspark-sql