PySpark 根据第二个 DataFrame 的列向一个 DataFrame 添加值答案

【问题标题】：PySpark adding values to one DataFrame based on columns of 2nd DataFramePySpark 根据第二个 DataFrame 的列向一个 DataFrame 添加值
【发布时间】：2017-08-15 23:34:34
【问题描述】：

我有两个 PySpark DataFrame，如下所示：

数据帧 A：

+-----+------+
|nodes|counts|
+-----+------+
|  [0]|     1|
|  [1]|     0|
|  [2]|     1|
|  [3]|     0|
|  [4]|     0|
|  [5]|     0|
|  [6]|     1|
|  [7]|     0|
|  [8]|     0|
|  [9]|     0|
| [10]|     0|

和 DataFrame B：

+----+------+
|nodes|counts|
+----+------+
|[0] |     1|
|[1] |     0|
|[2] |     3|
|[6] |     0|
|[8] |     2|
+----+------+

我想创建一个新的 DataFrame C，这样 DataFrame A 中的“counts”列中的值与 DataFrame B 的“counts”列中的值相加，其中“nodes”列相等，这样 DataFrame C 看起来喜欢：

+-----+------+
|nodes|counts|
+-----+------+
|  [0]|     2|
|  [1]|     0|
|  [2]|     4|
|  [3]|     0|
|  [4]|     0|
|  [5]|     0|
|  [6]|     1|
|  [7]|     0|
|  [8]|     2|
|  [9]|     0|
| [10]|     0|

感谢您的帮助！我已经使用 lambda 函数和 sql 语句尝试了一些不同的技巧，但我没有找到解决方案。

【问题讨论】：

标签： apache-spark pyspark apache-spark-sql

【解决方案1】：

可能有一种更有效的方法，但这应该可行：

import pyspark.sql.functions as func

dfA = spark.createDataFrame([([0], 1),([1], 0),([2], 1),([3], 0), ([4], 0),([5], 0),([6], 1),([7], 0), ([8], 0),([9], 0),([10], 0)], ["nodes", "counts"])
dfB = spark.createDataFrame([([0], 1),([1], 0),([2], 3),([6], 0), ([8], 2)], ["nodes", "counts"])

dfC = dfA.join(dfB, dfA.nodes == dfB.nodes, "left")\
    .withColumn("sum",func.when(dfB.nodes.isNull(), dfA.counts).otherwise(dfA.counts+ dfB.counts))\
    .select(dfA.nodes.alias("nodes"), func.col("sum").alias("counts"))

dfC.orderBy("nodes").show()
+-----+------+
|nodes|counts|
+-----+------+
|  [0]|     2|
|  [1]|     0|
|  [2]|     4|
|  [3]|     0|
|  [4]|     0|
|  [5]|     0|
|  [6]|     1|
|  [7]|     0|
|  [8]|     2|
|  [9]|     0|
| [10]|     0|
+-----+------+

【讨论】：

【解决方案2】：

您可以join这两个数据框如下，并将null替换为0并添加两列以获得sum

A.join(B.withColumnRenamed("count", "countB"), Seq("nodes"), "left")
  .na.fill(0)
  .withColumn("count", $"count" + $"countB")
  .drop("countB")
  .show(false)

您还可以使用 union 将这些数据框合并为单个，然后使用 groupBy 节点并计算 sum 如下

A.union(B).groupBy("nodes").agg(sum($"count").alias("count"))
  .orderBy("nodes")
  .show(false)

这是在 scala 中，希望你可以在 pyspark 中编写。

希望这会有所帮助！

【讨论】：