依赖于公共列的两个数据框之间的交叉连接

Question

可以按如下方式进行交叉连接：

df1 = pd.DataFrame({'subgroup':['A','B','C','D']})
df2 = pd.DataFrame({'dates':pd.date_range(date_today, date_today + timedelta(3), freq='D')})
sdf1 = spark.createDataFrame(df1)
sdf2 = spark.createDataFrame(df2)

sdf1.crossJoin(sdf2).toPandas()

在此示例中，有两个数据框，每个数据框包含 4 行，最后我得到 16 行。

但是，对于我的问题，我想对每个用户进行交叉连接，并且用户是两个数据框中的另一列，例如：

df1 = pd.DataFrame({'user':[1,1,1,1,2,2,2,2],'subgroup':['A','B','C','D','A','B','D','E']})
df2 = pd.DataFrame({'user':[1,1,1,1,2,2,2,2],'dates':np.hstack([np.array(pd.date_range(date_today, date_today + timedelta(3), freq='D')),np.array(pd.date_range(date_today+timedelta(1), date_today + timedelta(4), freq='D'))])})

应用 per-user crossJoin 的结果应该是一个 32 行的数据框。这在 pyspark 中是否可行？如何做到这一点？

Answer 1

交叉连接是一种生成行相乘的连接，因为连接键不能唯一标识行（在我们的例子中，连接键是微不足道的，或者根本没有连接键）

让我们从示例数据框开始：

import pyspark.sql.functions as psf
import pyspark.sql.types as pst
df1 = spark.createDataFrame(
    [[user, value] for user, value in zip(5 * list(range(2)), np.random.randint(0, 100, 10).tolist())], 
    schema=pst.StructType([pst.StructField(c, pst.IntegerType()) for c in ['user', 'value1']]))
df2 = spark.createDataFrame(
    [[user, value] for user, value in zip(5 * list(range(2)), np.random.randint(0, 100, 10).tolist())], 
    schema=pst.StructType([pst.StructField(c, pst.IntegerType()) for c in ['user', 'value2']]))

        +----+------+
        |user|value1|
        +----+------+
        |   0|    76|
        |   1|    59|
        |   0|    14|
        |   1|    71|
        |   0|    66|
        |   1|    61|
        |   0|     2|
        |   1|    22|
        |   0|    16|
        |   1|    83|
        +----+------+

        +----+------+
        |user|value2|
        +----+------+
        |   0|    65|
        |   1|    81|
        |   0|    60|
        |   1|    69|
        |   0|    21|
        |   1|    61|
        |   0|    98|
        |   1|    76|
        |   0|    40|
        |   1|    21|
        +----+------+

让我们尝试在常量列上连接数据框，以查看在常量（平凡）列上交叉连接和常规连接之间的等价性：

df = df1.withColumn('key', psf.lit(1)) \
    .join(df2.withColumn('key', psf.lit(1)), on=['key'])

我们从 spark > 2 得到一个错误，因为它意识到我们正在尝试进行交叉连接（笛卡尔积）

Py4JJavaError：调用 o1865.showString 时出错。 ：org.apache.spark.sql.AnalysisException：检测到逻辑计划之间INNER连接的隐式笛卡尔积 逻辑RDD [user#1538, value1#1539], false 和 逻辑RDD [user#1542, value2#1543], false 连接条件缺失或微不足道。 要么：使用 CROSS JOIN 语法来允许这些之间的笛卡尔积 关系，或者：通过设置配置启用隐式笛卡尔积 变量 spark.sql.crossJoin.enabled=true;

如果您的加入键（此处为user）不是唯一标识行的列，您也会得到行的乘法，但在每个user 组内：

df = df1.join(df2, on='user')
print("Number of rows : \tdf1: {} \tdf2: {} \tdf: {}".format(df1.count(), df2.count(), df.count()))

        Number of rows :    df1: 10     df2: 10     df: 50

        +----+------+------+
        |user|value1|value2|
        +----+------+------+
        |   1|    59|    81|
        |   1|    59|    69|
        |   1|    59|    61|
        |   1|    59|    76|
        |   1|    59|    21|
        |   1|    71|    81|
        |   1|    71|    69|
        |   1|    71|    61|
        |   1|    71|    76|
        |   1|    71|    21|
        |   1|    61|    81|
        |   1|    61|    69|
        |   1|    61|    61|
        |   1|    61|    76|
        |   1|    61|    21|
        |   1|    22|    81|
        |   1|    22|    69|
        |   1|    22|    61|
        |   1|    22|    76|
        |   1|    22|    21|
        +----+------+------+

用户 0 5 * 5 行 + 用户 1 5 * 5 行，因此为 50

注意：使用self join 后跟filter 通常意味着您应该使用窗口函数。