Dataframe Spark 2.2.1 上的可调用列对象答案

【问题标题】：Callable Column Object on Dataframe Spark 2.2.1Dataframe Spark 2.2.1 上的可调用列对象
【发布时间】：2018-06-15 17:57:12
【问题描述】：

在 Spark 2.2.1 版中这个调用相当于什么：

df.column_name.eqNullSafe(df2.column_2)

（df.column_name 不可调用。它在 2.3.0 中有效，但在 2.2.1 中出现错误：TypeError: 'Column' object is not callable）

这是一个复制示例。我有一个示例数据框：

# +----+----+
# |  id| var|
# +----+----+
# |   1|   a|
# |   2|null|
# |null|   b|
# +----+----+

我需要对其进行解构，然后在列上执行一个空安全等于以进行比较并将其重新组合在一起。这是执行此操作的代码。（它可以粘贴并按原样运行，在 2.3.0 中工作，在 2.2.1 中重现错误）

df = spark.createDataFrame(
    [
        ('1', 'a'),
        ('2', None),
        (None, 'b')
    ],
    ('id', 'var')
)


def get_condition(right, left):
    return right.id.eqNullSafe(left.id_2)


right_df = df.select(df.columns[:1])
left_df = df.filter(df.var.isNotNull()).withColumnRenamed('id', 'id_2')

result = right_df.join(left_df, get_condition(right_df, left_df), how='left')

result.select('id', 'var').show()

我想修改 get_condition 方法的调用以使用列的可调用版本来调用 eqNullSafe。（注意，不能使用 pandas）

【问题讨论】：

另外，这对我有用：return (right.id == left.id_2) | (right.id.isNull() & left.id_2.isNull())

标签： python apache-spark dataframe pyspark

【解决方案1】：

eqNullSafe 已包含在 Spark 2.3 (SPARK-20290) 中，因此您将无法在 2.2 中使用它。

有不同的替代方案（SQL / DataFrame）可用：

id1 IS NOT DISTINCT FROM id / expr("id IS NOT DISTINCT FROM id2")（Spark 2.2 或更高版本）
((id1 IS NULL) AND (id2 IS NULL)) OR (id1 = id2) / ((col("id1").isNull() & col("id2").isNull()) | (col("id1") == col("id2"))

如果可用，应该首选第一个。

见Including null values in an Apache Spark Join

【讨论】：