在另一个数据框中使用一个数据框的列

Question

我正在尝试从一个数据框中读取数据并在另一个数据框中使用它。我怎样才能优雅地做到这一点？

val query = s"select distinct p_id, lower(regexp_replace(p_id,'[^a-zA-Z0-9]+','_')) as p_id_formatted, lower(regexp_extract(f_id,'^([^\.]+)\.?',1)) as f_id_formatted, column_name from default.rc_pcoders"
val run_query = sql(query)
val table_name = run_query.select(concat(lit("nepp"), lit("_"),$"p_id_formatted", lit("_") ,$"f_id_formatted ").alias("tablename"),$"column_name")

这给了我下面的输出，它本质上代表了一个表名

+------------------+-----------+
|tablename         |column_name|
+------------------+-----------+
|nepp_148hl16011_cm|cmtrt      |
|nepp_148hl16011_mh|mhaspe     |
|nepp_148hl16011_ae|aeputt     |
+------------------+-----------+

如何从每个表中获取列名？类似的东西（下面的查询不起作用）

val whole_query = sql("show columns in "table_name.tablename"")

Answer 1

首先，收集所有要加载的表的名称：

val tableNames = df.collect().map(row => row.getAs[String]("tablename")).toSeq

其次，获取对各个DataFrame的引用，将它们与它们的列名相关联

val sqlCtx: SQLContext = // your SQL context ref
val dfToColumns = tableNames.map(table => {
  val columnNames = sqlCtx.table(table).schema.fieldNames.toSeq
  (table, columnNames)
}).toMap

dfToColumns 是一个 Map[String, Seq[String]]，其中 DataFrame 名称作为键，其各自列名的 Seqs 作为值。

在另一个数据框中使用一个数据框的列

Using the columns of one dataframe in another dataframe

hadoop

scala

apache-spark

apache-spark-sql

spark-dataframe