如何比较 Databricks 中的 2 个 Spark 数据帧

Question

我有以下 spark 数据框。一个来自文本文件，另一个来自 Databricks 中的 Spark 表：

尽管数据完全相同，但以下代码报告了差异。我希望 df3 为空：

table_df = spark.sql("select * from db.table1")
file_df = spark.read.format("csv").load("my_file.txt", header = False, delimiter = '|')
file_df = file_df.toPandas()
table_df = table_df.toPandas()
df3=table_df.eq(file_df)
print(df3.shape[0])

• 在比较之前我需要订购数据吗？ - 如果是这样，我该怎么做？
• 我看不到上面的连接是在哪里完成的。它将如何匹配行？ [ID] 和 [Account] 是主键吗？
• 以上方法是比较 2 个数据帧的最佳方法吗？

这是数据 - 其中 [ID] 和 [Account] 是主键

Answer 1

我通常用来比较两个数据帧的方法是使用内部连接并查看计数是否匹配，或者使用subtract 来查看它们之间是否有任何不同

df1 = create_df(
    data=[
        ('Avery Bradley', 25.0, 7730337.0),
        ('Jae Crowder', 25.0, 6796117.0),
    ],
    schema = ['name', 'age', 'salary']
)
+-------------+----+---------+
|         name| age|   salary|
+-------------+----+---------+
|Avery Bradley|25.0|7730337.0| <<< 25
|  Jae Crowder|25.0|6796117.0|
+-------------+----+---------+

df2 = create_df(
    data=[
        ('Avery Bradley', 24.0, 7730337.0),
        ('Jae Crowder', 25.0, 6796117.0),
    ],
    schema = ['name', 'age', 'salary']
)
+-------------+----+---------+
|         name| age|   salary|
+-------------+----+---------+
|Avery Bradley|24.0|7730337.0| <<< 24
|  Jae Crowder|25.0|6796117.0|
+-------------+----+---------+

# Solution #1
df1.subtract(df2).show()
+-------------+----+---------+
|         name| age|   salary|
+-------------+----+---------+
|Avery Bradley|25.0|7730337.0|
+-------------+----+---------+

# Solution #2
df1.join(df2, on=df1.columns).count()
# 1 <<< while df1.count() = 2