Scala：从数据框中选择列时使用 spark sql 函数

Question

我有两个 table/dataframe：A 和 B

A 有以下列：cust_id, purch_date

B 有一列：cust_id, col1（不需要 col1）

以下示例显示了每个 table:

的内容

Table A
cust_id  purch_date
  34564  2017-08-21
  34564  2017-08-02
  34564  2017-07-21
  23847  2017-09-13
  23423  2017-06-19


Table B
cust_id  col1
  23442     x
  12452     x
  12464     x  
  23847     x
  24354     x

我想 select cust_id 和 purch_date 月份的第一天 selected cust_id 在 [=17] 中不存在=].

这可以在 SQL 中通过以下命令实现：

select a.cust_id, trunc(purch_date, 'MM') as mon
from a
left join b
on a.cust_id = b.cust_id
where b.cust_id is null
group by cust_id, mon;

输出如下：

Table A
cust_id  purch_date
  34564  2017-08-01
  34564  2017-07-01
  23423  2017-06-01

我尝试了以下在 Scala 中实现相同的方法：

import org.apache.spark.sql.functions._

a = spark.sql("select * from db.a")
b = spark.sql("select * from db.b")

var out = a.join(b, Seq("cust_id"), "left")
           .filter("col1 is null")
           .select("cust_id", trunc("purch_date", "month"))
           .distinct()

但我收到不同的错误，例如：

error: type mismatch; found: StringContext required: ?{def $: ?}

我被困在这里，无法在网上找到足够的 documentation/answers。

Answer 1

Select 应该包含 Columns 而不是 Strings:

输入：

df1:
+-------+----------+
|cust_id|purch_date|
+-------+----------+
|  34564|2017-08-21|
|  34564|2017-08-02|
|  34564|2017-07-21|
|  23847|2017-09-13|
|  23423|2017-06-19|
+-------+----------+    

df2:
+-------+----+
|cust_id|col1|
+-------+----+
|  23442|   X|
|  12452|   X|
|  12464|   X|
|  23847|   X|
|  24354|   X|
+-------+----+

如下更改您的查询：

df1.join(df2, Seq("cust_id"), "left").filter("col1 is null")
.select($"cust_id", trunc($"purch_date", "MM"))
.distinct()
.show()

输出：

+-------+---------------------+
|cust_id|trunc(purch_date, MM)|
+-------+---------------------+
|  23423|           2017-06-01|
|  34564|           2017-07-01|
|  34564|           2017-08-01|
+-------+---------------------+

Scala：从数据框中选择列时使用 spark sql 函数

Scala: Using a spark sql function when selecting column from a dataframe

scala

sql-function

dataframe

apache-spark