Pyspark Dataframe Join 使用 UDF

Question

我正在尝试在 PySpark（类似于 this）中为两个数据帧（df1 和 df2）创建自定义连接，代码如下所示：

my_join_udf = udf(lambda x, y: isJoin(x, y), BooleanType())
my_join_df = df1.join(df2, my_join_udf(df1.col_a, df2.col_b))

我得到的错误信息是：

java.lang.RuntimeException: Invalid PythonUDF PythonUDF#<lambda>(col_a#17,col_b#0), requires attributes from more than one child

有没有办法编写可以处理来自两个单独数据帧的列的 PySpark UDF？

Answer 1

Spark 2.2+

您必须使用crossJoin 或启用交叉连接in the configuration：

df1.crossJoin(df2).where(my_join_udf(df1.col_a, df2.col_b))

Spark 2.0、2.1

下面显示的方法在 Spark 2.x 中不再有效。见SPARK-19728。

Spark 1.x

理论上你可以加入和过滤：

df1.join(df2).where(my_join_udf(df1.col_a, df2.col_b))

但一般情况下，您不应该全部完成。任何不基于相等性的join 类型都需要一个完整的笛卡尔积（与答案相同），这很少被接受（另见Why using a UDF in a SQL query leads to cartesian product?）。