【问题标题】:how to compare two data frames in scala如何在scala中比较两个数据帧
【发布时间】:2018-12-08 04:25:04
【问题描述】:

我有两个完全相同的数据框用于比较测试

     df1
     ------------------------------------------
     year | state | count2 | count3 | count4|
     2014 | NJ    | 12332  | 54322  | 53422 |
     2014 | NJ    | 12332  | 53255  | 55324 |
     2015 | CO    | 12332  | 53255  | 55324 |
     2015 | MD    | 14463  | 76543  | 66433 |
     2016 | CT    | 14463  | 76543  | 66433 |
     2016 | CT    | 55325  | 76543  | 66433 |
     ------------------------------------------
     df2
     ------------------------------------------
     year | state | count2 | count3 | count4|
     2014 | NJ    | 12332  | 54322  | 53422 |
     2014 | NJ    | 65333  | 65555  | 125   |
     2015 | CO    | 12332  | 53255  | 55324 |
     2015 | MD    | 533    | 75     | 64524 |
     2016 | CT    | 14463  | 76543  | 66433 |
     2016 | CT    | 55325  | 76543  | 66433 |
     ------------------------------------------

我想将 count2 到 count4 上的这两个 dfs 进行比较,如果计数不匹配,则打印出一些消息,说明它不匹配。 这是我的尝试

     val cols = df1.columns.filter(_ != "year").toList
     def mapDiffs(name: String) = when($"l.$name" === $"r.$name", null).otherwise(array($"l.$name", $"r.$name")).as(name)
     val result = df1.as("l").join(df2.as("r"), "year").select($"year" :: cols.map(mapDiffs): _*)

然后它与具有相同数字的相同状态进行比较,它没有做我想做的事

     ------------------------------------------
     year | state | count2 | count3 | count4|
     2014 | NJ    | 12332  | 54322  | 53422 |
     2014 | NJ    | no     | no     | no    |
     2015 | CO    | 12332  | 53255  | 55324 |
     2015 | MD    | no     | no     | 64524 |
     2016 | CT    | 14463  | 76543  | 66433 |
     2016 | CT    | 55325  | 76543  | 66433 |
     ------------------------------------------

我希望结果如上,我该如何实现?

编辑,如果我只想在一个 df、col 和 cols 中进行比较,我该怎么做? 喜欢

 ------------------------------------------
 year | state | count2 | count3 | count4|
 2014 | NJ    | 12332  | 54322  | 53422 |

我想将count3和count 4 cols与count2进行比较,显然cou​​nt3和count 4不匹配count 2,所以我希望结果是

-----------------------------------------------
 year | state | count2 | count3    | count4   |
 2014 | NJ    | 12332  | mismatch  | mismatch |

谢谢!

【问题讨论】:

  • 好收获!!我错过了那些
  • 谢谢拉梅什,我已经更新了问题并添加了一个新场景..
  • 我不知道你在问什么
  • 我要问的是如何将 df1 的第一行与 df2 的第一行连接起来?

标签: scala amazon-web-services apache-spark hadoop bigdata


【解决方案1】:

year 上的数据框 join 不适用于您的 mapDiffs 方法。对于join,您需要在 df1 和 df2 中有一个行标识列。

import org.apache.spark.sql.functions._

val df1 = Seq(
  ("2014", "NJ", "12332", "54322", "53422"),
  ("2014", "NJ", "12332", "53255", "55324"),
  ("2015", "CO", "12332", "53255", "55324"),
  ("2015", "MD", "14463", "76543", "64524"),
  ("2016", "CT", "14463", "76543", "66433"),
  ("2016", "CT", "55325", "76543", "66433")
).toDF("year", "state", "count2", "count3", "count4")

val df2 = Seq(
  ("2014", "NJ", "12332", "54322", "53422"),
  ("2014", "NJ", "12332", "53255", "125"),
  ("2015", "CO", "12332", "53255", "55324"),
  ("2015", "MD", "533",   "75",    "64524"),
  ("2016", "CT", "14463", "76543", "66433"),
  ("2016", "CT", "55325", "76543", "66433")
).toDF("year", "state", "count2", "count3", "count4")

如果您在join 的数据框中已经有一个行标识列(例如rowId),请跳过此步骤:

import org.apache.spark.sql.Row
import org.apache.spark.sql.types._

val rdd1 = df1.rdd.zipWithIndex.map{
  case (row: Row, id: Long) => Row.fromSeq(row.toSeq :+ id)
}
val df1i = spark.createDataFrame( rdd1,
  StructType(df1.schema.fields :+ StructField("rowId", LongType, false))
)

val rdd2 = df2.rdd.zipWithIndex.map{
  case (row: Row, id: Long) => Row.fromSeq(row.toSeq :+ id)
}
val df2i = spark.createDataFrame( rdd2,
  StructType(df2.schema.fields :+ StructField("rowId", LongType, false))
)

现在,定义 mapDiffs 并在通过 rowId 加入数据框后将其应用于选定的列:

def mapDiffs(name: String) =
  when($"l.$name" === $"r.$name", $"l.$name").otherwise("no").as(name)

val cols = df1i.columns.filter(_.startsWith("count")).toList

val result = df1i.as("l").join(df2i.as("r"), "rowId").
  select($"l.rowId" :: $"l.year" :: cols.map(mapDiffs): _*)

// +-----+----+------+------+------+
// |rowId|year|count2|count3|count4|
// +-----+----+------+------+------+
// |    0|2014| 12332| 54322| 53422|
// |    5|2016| 55325| 76543| 66433|
// |    1|2014| 12332| 53255|    no|
// |    3|2015|    no|    no| 64524|
// |    2|2015| 12332| 53255| 55324|
// |    4|2016| 14463| 76543| 66433|
// +-----+----+------+------+------+

请注意,df1 和 df2 之间的差异似乎比样本结果中的 3 个 no-spot 更多。我已经修改了示例数据,使这 3 个点成为唯一的区别。

【讨论】:

  • 谢谢@Leo C 我错过了那些不匹配的数字!对于所有不匹配的内容,它们应该是“否”。我一会儿试试你的方法。谢谢
  • 您好,我也遇到了同样的问题。我尝试了这个解决方案,但遇到了编译器错误。有人可以帮我吗?这是代码片段, val cols = sourceDF.schema.fields.map(_.name) val result = sourceDF.as("l").join(targetDF.as("r"), s"${srcParirions} _Val").select(s"l.${srcParirions}_Val" :: cols.map(mapDiffs): _*) def mapDiffs(name: String) = when(s"l.${name}" === s"r.${}name}", s"l.${name}").otherwise("no").as(name)
  • @Ponns,而不是在评论中描述您的问题,我建议您在单独的问题中将其与格式化的代码/示例数据一起描述。
猜你喜欢
  • 2018-05-31
  • 1970-01-01
  • 2019-07-21
  • 1970-01-01
  • 1970-01-01
  • 2018-01-15
  • 1970-01-01
  • 1970-01-01
  • 1970-01-01
相关资源
最近更新 更多