Comment filtrer une étincelle dataframe contre un autre dataframe
Je suis en train de filtrer un dataframe contre l'autre:
scala> val df1 = sc.parallelize((1 to 100).map(a=>(s"user $a", a*0.123, a))).toDF("name", "score", "user_id")
scala> val df2 = sc.parallelize(List(2,3,4,5,6)).toDF("valid_id")
Maintenant, je veux filtre df1 et obtenir un dataframe qui contient toutes les lignes dans df1 où user_id est en df2("valid_id"). En d'autres termes, je veux toutes les lignes dans df1 où l'user_id est soit 2,3,4,5 ou 6
scala> df1.select("user_id").filter($"user_id" in df2("valid_id"))
warning: there were 1 deprecation warning(s); re-run with -deprecation for details
org.apache.spark.sql.AnalysisException: resolved attribute(s) valid_id#20 missing from user_id#18 in operator !Filter user_id#18 IN (valid_id#20);
D'un autre côté quand j'essaie de faire un filtre à l'encontre d'une fonction, tout ce qui ressemble beaucoup:
scala> df1.select("user_id").filter(($"user_id" % 2) === 0)
res1: org.apache.spark.sql.DataFrame = [user_id: int]
Pourquoi j'obtiens cette erreur? Est-il quelque chose de mal avec ma syntaxe?
commentaire suivant j'ai essayé de faire une jointure externe gauche:
scala> df1.show
+-------+------------------+-------+
| name| score|user_id|
+-------+------------------+-------+
| user 1| 0.123| 1|
| user 2| 0.246| 2|
| user 3| 0.369| 3|
| user 4| 0.492| 4|
| user 5| 0.615| 5|
| user 6| 0.738| 6|
| user 7| 0.861| 7|
| user 8| 0.984| 8|
| user 9| 1.107| 9|
|user 10| 1.23| 10|
|user 11| 1.353| 11|
|user 12| 1.476| 12|
|user 13| 1.599| 13|
|user 14| 1.722| 14|
|user 15| 1.845| 15|
|user 16| 1.968| 16|
|user 17| 2.091| 17|
|user 18| 2.214| 18|
|user 19|2.3369999999999997| 19|
|user 20| 2.46| 20|
+-------+------------------+-------+
only showing top 20 rows
scala> df2.show
+--------+
|valid_id|
+--------+
| 2|
| 3|
| 4|
| 5|
| 6|
+--------+
scala> df1.join(df2, df1("user_id") === df2("valid_id"))
res6: org.apache.spark.sql.DataFrame = [name: string, score: double, user_id: int, valid_id: int]
scala> res6.collect
res7: Array[org.apache.spark.sql.Row] = Array()
scala> df1.join(df2, df1("user_id") === df2("valid_id"), "left_outer")
res8: org.apache.spark.sql.DataFrame = [name: string, score: double, user_id: int, valid_id: int]
scala> res8.count
res9: Long = 0
Je suis à court d'étincelle 1.5.0 avec scala 2.10.5
- Vous souhaitez filtrer ou d'effectuer une jointure sur deux Dataframes?
- Je veux obtenir un dataframe avec un sous-ensemble de lignes de df1. pour chaque ligne r en df1, si la valeur de r("user_id") est en df2("valid_id"), puis ligne r sera inclus dans le résultat dataframe.
- Ensuite, vous aurez à effectuer une jointure externe gauche de df1 à df2 sur userId == validId
- quand j'essaie, j'ai un vide dataframe, et il contient en fait une union de toutes les colonnes. Je vais ajouter un exemple à la question
Vous devez vous connecter pour publier un commentaire.
Vous voulez un (régulier) inner join, pas une jointure externe 🙂
val sc = new SparkContext(conf)
quelque part dans votre coquille, vous? Je suis récemment tombé sur quelqu'un d'autre qui en a vu d'étranges comportements, parce qu'il avait déclaré sa propre sc-variable. Sinon, je pense que je suis frais d'idées que j'ai simplement ne peut pas reproduire le problème. Je suppose que vous avez essayé de relancer votre shell?