Spark Dataframe 区分具有重复名称的列

Question

据我所知，在 Spark Dataframe 中，多个列可以具有相同的名称，如下面的数据帧快照所示：

[
Row(a=107831, f=SparseVector(5, {0: 0.0, 1: 0.0, 2: 0.0, 3: 0.0, 4: 0.0}), a=107831, f=SparseVector(5, {0: 0.0, 1: 0.0, 2: 0.0, 3: 0.0, 4: 0.0})),
Row(a=107831, f=SparseVector(5, {0: 0.0, 1: 0.0, 2: 0.0, 3: 0.0, 4: 0.0}), a=125231, f=SparseVector(5, {0: 0.0, 1: 0.0, 2: 0.0047, 3: 0.0, 4: 0.0043})),
Row(a=107831, f=SparseVector(5, {0: 0.0, 1: 0.0, 2: 0.0, 3: 0.0, 4: 0.0}), a=145831, f=SparseVector(5, {0: 0.0, 1: 0.2356, 2: 0.0036, 3: 0.0, 4: 0.4132})),
Row(a=107831, f=SparseVector(5, {0: 0.0, 1: 0.0, 2: 0.0, 3: 0.0, 4: 0.0}), a=147031, f=SparseVector(5, {0: 0.0, 1: 0.0, 2: 0.0, 3: 0.0, 4: 0.0})),
Row(a=107831, f=SparseVector(5, {0: 0.0, 1: 0.0, 2: 0.0, 3: 0.0, 4: 0.0}), a=149231, f=SparseVector(5, {0: 0.0, 1: 0.0032, 2: 0.2451, 3: 0.0, 4: 0.0042}))
]

以上结果是通过将数据框连接到自身创建的，您可以看到 4 列包含两个 a 和 f。

问题是，当我尝试对 a 列进行更多计算时，我无法找到 select 和 a 的方法，我尝试了 [=17] =] 和 df.select('a')，都在错误消息下方返回给我：

AnalysisException: Reference 'a' is ambiguous, could be: a#1333L, a#1335L.

在 Spark API 中我是否可以再次区分列和重复名称？或者也许可以通过某种方式让我更改列名？

Answer 1

深入研究 Spark API 后，我发现我可以先使用 alias 为原始数据框创建别名，然后使用 withColumnRenamed 手动重命名别名，这将执行 join 而不会导致列名重复。

更多细节可以参考下面Spark Dataframe API:

pyspark.sql.DataFrame.alias

pyspark.sql.DataFrame.withColumnRenamed

但是，我认为这只是一个麻烦的解决方法，想知道是否有更好的方法来解决我的问题。

Answer 2

我建议您更改 join 的列名称。

df1.select(col("a") as "df1_a", col("f") as "df1_f")
   .join(df2.select(col("a") as "df2_a", col("f") as "df2_f"), col("df1_a" === col("df2_a"))

结果 DataFrame 将有 schema

(df1_a, df1_f, df2_a, df2_f)

Answer 3

让我们从一些数据开始：

from pyspark.mllib.linalg import SparseVector
from pyspark.sql import Row

df1 = sqlContext.createDataFrame([
    Row(a=107831, f=SparseVector(
        5, {0: 0.0, 1: 0.0, 2: 0.0, 3: 0.0, 4: 0.0})),
    Row(a=125231, f=SparseVector(
        5, {0: 0.0, 1: 0.0, 2: 0.0047, 3: 0.0, 4: 0.0043})),
])

df2 = sqlContext.createDataFrame([
    Row(a=107831, f=SparseVector(
        5, {0: 0.0, 1: 0.0, 2: 0.0, 3: 0.0, 4: 0.0})),
    Row(a=107831, f=SparseVector(
        5, {0: 0.0, 1: 0.0, 2: 0.0, 3: 0.0, 4: 0.0})),
])

有几种方法可以解决这个问题。首先，您可以使用父列明确引用子 table 列：

df1.join(df2, df1['a'] == df2['a']).select(df1['f']).show(2)

##  +--------------------+
##  |                   f|
##  +--------------------+
##  |(5,[0,1,2,3,4],[0...|
##  |(5,[0,1,2,3,4],[0...|
##  +--------------------+

您也可以使用 table 别名：

from pyspark.sql.functions import col

df1_a = df1.alias("df1_a")
df2_a = df2.alias("df2_a")

df1_a.join(df2_a, col('df1_a.a') == col('df2_a.a')).select('df1_a.f').show(2)

##  +--------------------+
##  |                   f|
##  +--------------------+
##  |(5,[0,1,2,3,4],[0...|
##  |(5,[0,1,2,3,4],[0...|
##  +--------------------+

您终于可以通过编程方式重命名列了：

df1_r = df1.select(*(col(x).alias(x + '_df1') for x in df1.columns))
df2_r = df2.select(*(col(x).alias(x + '_df2') for x in df2.columns))

df1_r.join(df2_r, col('a_df1') == col('a_df2')).select(col('f_df1')).show(2)

## +--------------------+
## |               f_df1|
## +--------------------+
## |(5,[0,1,2,3,4],[0...|
## |(5,[0,1,2,3,4],[0...|
## +--------------------+

Answer 4

您可以使用def drop(col: Column)方法删除重复的列，例如：

DataFrame:df1

+-------+-----+
| a     | f   |
+-------+-----+
|107831 | ... |
|107831 | ... |
+-------+-----+

DataFrame:df2

+-------+-----+
| a     | f   |
+-------+-----+
|107831 | ... |
|107831 | ... |
+-------+-----+

当我加入 df1 和 df2 时，DataFrame 将如下所示：

val newDf = df1.join(df2,df1("a")===df2("a"))

DataFrame:newDf

+-------+-----+-------+-----+
| a     | f   | a     | f   |
+-------+-----+-------+-----+
|107831 | ... |107831 | ... |
|107831 | ... |107831 | ... |
+-------+-----+-------+-----+

现在，我们可以使用def drop(col: Column)方法删除重复的列'a'或'f'，如下所示：

val newDfWithoutDuplicate = df1.join(df2,df1("a")===df2("a")).drop(df2("a")).drop(df2("f"))

Answer 5

假设您要连接的 DataFrame 是 df1 和 df2，并且您在列 'a' 上连接它们，那么您有 2 种方法

方法一

df1.join(df2,'a','left_outer')

这是一个很棒的方法，强烈推荐。

方法二

df1.join(df2,df1.a == df2.a,'left_outer').drop(df2.a)

Answer 6

有一种比为您要加入的所有列编写别名更简单的方法：

df1.join(df2,['a'])

如果您要加入的键在两个表中相同，则此方法有效。

见 https://kb.databricks.com/data/join-two-dataframes-duplicated-columns.html

Answer 7

这就是我们如何在 PySpark 中在相同的列名上连接两个数据帧。

df = df1.join(df2, ['col1','col2','col3'])

如果您在此之后执行 printSchema()，那么您会看到重复的列已被删除。

Answer 8

This might not be the best approach, but if you want to rename the duplicate columns(after join), you can do so using this tiny function.

def rename_duplicate_columns(dataframe):
    columns = dataframe.columns
    duplicate_column_indices = list(set([columns.index(col) for col in columns if columns.count(col) == 2]))
    for index in duplicate_column_indices:
        columns[index] = columns[index]+'2'
    dataframe = dataframe.toDF(*columns)
    return dataframe

Answer 9

如果您的用例比 Glennie Helles Sindholt 的回答中描述的更复杂，例如您有 other/few 个相同的非连接列名称，并希望在选择最好使用别名时区分它们，例如：

df3 = df1.select("a", "b").alias("left")\
   .join(df2.select("a", "b").alias("right"), ["a"])\
   .select("left.a", "left.b", "right.b")

df3.columns
['a', 'b', 'b']

Answer 10

如果两个表中只有键列相同，则尝试使用以下方式（方法 1）：

left. join(right , 'key', 'inner')

而不是下面（方法 2）：

left. join(right , left.key == right.key, 'inner')

使用方法 1 的优点：

'key' 将在最终数据帧中仅显示一次
易于使用的语法

使用方法 1 的缺点：

只帮助关键列
场景，其中left join的情况下，如果打算使用right key null count，这个就不行了。在那种情况下，必须如上所述重命名其中一个键。

Answer 11

什么对我有用

import databricks.koalas as ks

df1k = df1.to_koalas()
df2k = df2.to_koalas()
df3k = df1k.merge(df2k, on=['col1', 'col2'])
df3 = df3k.to_spark()

除了 col1 和 col2 之外的所有列，如果它们来自 df1，则在其名称后附加“_x”，如果它们来自 df2，则附加“_y”，这正是我所需要的。

Answer 12

Pyspark 3.2.1 +

我找到了在 Spark 3.2.1 中使用 toDF

执行此操作的简单方法

df.show()
+------+------+---------+
|number|  word|     word|
+------+------+---------+
|     1| apple|   banana|
|     2|cherry|     pear|
|     3| grape|pineapple|
+------+------+---------+

df = df.toDF(*[val + str(i) for i, val in enumerate(df.columns)])

df.show()
+-------+------+---------+
|number0| word1|    word2|
+-------+------+---------+
|      1| apple|   banana|
|      2|cherry|     pear|
|      3| grape|pineapple|
+-------+------+---------+

Spark Dataframe 区分具有重复名称的列

Spark Dataframe distinguish columns with duplicated name

python

dataframe

apache-spark

apache-spark-sql

pyspark