将一个数据框列值传递给另一个数据框过滤条件表达式+ Spark 1.5

Question

我有两个输入数据集第一个输入数据集如下：

year,make,model,comment,blank
"2012","Tesla","S","No comment",
1997,Ford,E350,"Go get one now they are going fast",
2015,Chevy,Volt

第二个输入数据集：

TagId,condition
1997_cars,year = 1997 and model = 'E350'
2012_cars,year=2012 and model ='S'
2015_cars ,year=2015 and model = 'Volt'

现在我的要求是读取第一个数据集，并根据第二个数据集中的过滤条件需要通过向第一个输入数据集引入新列 TagId 来标记第一个输入数据集的行所以预期应该看起来像：

year,make,model,comment,blank,TagId
"2012","Tesla","S","No comment",2012_cars
1997,Ford,E350,"Go get one now they are going fast",1997_cars
2015,Chevy,Volt, ,2015_cars

我试过：

val sqlContext = new SQLContext(sc)
val carsSchema = StructType(Seq(
    StructField("year", IntegerType, true),
    StructField("make", StringType, true),
    StructField("model", StringType, true),
    StructField("comment", StringType, true),
    StructField("blank", StringType, true)))

val carTagsSchema = StructType(Seq(
    StructField("TagId", StringType, true),
    StructField("condition", StringType, true)))


val dfcars = sqlContext.read.format("com.databricks.spark.csv").option("header", "true") .schema(carsSchema).load("/TestDivya/Spark/cars.csv")
val dftags = sqlContext.read.format("com.databricks.spark.csv").option("header", "true") .schema(carTagsSchema).load("/TestDivya/Spark/CarTags.csv")

val Amendeddf = dfcars.withColumn("TagId", dfcars("blank"))
val cdtnval = dftags.select("condition")
val df2=dfcars.filter(cdtnval)
<console>:35: error: overloaded method value filter with alternatives:
  (conditionExpr: String)org.apache.spark.sql.DataFrame <and>
  (condition: org.apache.spark.sql.Column)org.apache.spark.sql.DataFrame
 cannot be applied to (org.apache.spark.sql.DataFrame)
       val df2=dfcars.filter(cdtnval)

另一种方式：

val col = dftags.col("TagId")
val finaldf = dfcars.withColumn("TagId", col)
org.apache.spark.sql.AnalysisException: resolved attribute(s) TagId#5 missing from comment#3,blank#4,model#2,make#1,year#0 in operator !Project [year#0,make#1,model#2,comment#3,blank#4,TagId#5 AS TagId#8];

finaldf.write.format("com.databricks.spark.csv").option("header", "true").save("/TestDivya/Spark/carswithtags.csv")

如果有人给我指点，我将非常感激如何将过滤条件传递给数据帧的过滤功能。或者另一种解决方案。由于我是 scala 和 Spark 的新手，所以我对这样一个天真的问题感到抱歉

谢谢

Answer 1

对此没有简单的解决方案。我认为您可以遵循两个一般方向：

将条件（dftags）收集到本地列表。然后一个一个地检查它，在汽车 (dfcars) 上执行每个作为 filter。使用结果获得所需的输出。
将条件（dftags）收集到本地列表。自己为他们实现解析和评估代码。遍历汽车 (dfcars) 一次，评估 map.

如果你的条件多（所以不能收集），车多，那情况就很糟糕了。你需要根据每一种情况检查每辆车，所以这将是非常低效的。在这种情况下，您需要先优化规则集，以便更有效地对其进行评估。（决策树可能是一个不错的解决方案。）

将一个数据框列值传递给另一个数据框过滤条件表达式+ Spark 1.5

Pass one dataframe column values to another dataframe filter condition expression + Spark 1.5

scala

apache-spark

spark-dataframe