Spark 数据集 API - 加入

Question

我正在尝试使用 Spark Dataset API 但我在进行简单连接时遇到了一些问题。

假设我有两个包含字段的数据集：date | value，那么在 DataFrame 的情况下，我的连接看起来像：

val dfA : DataFrame
val dfB : DataFrame

dfA.join(dfB, dfB("date") === dfA("date") )

但是 Dataset 有 .joinWith 方法，但同样的方法不起作用：

val dfA : Dataset
val dfB : Dataset

dfA.joinWith(dfB, ? )

.joinWith 要求的参数是什么？

Answer 1

要使用 joinWith，您首先必须创建一个 DataSet，很可能是两个。要创建 DataSet，您需要创建一个与您的架构匹配的案例 class 并调用 DataFrame.as[T]，其中 T 是您的案例 class。所以：

case class KeyValue(key: Int, value: String)
val df = Seq((1,"asdf"),(2,"34234")).toDF("key", "value")
val ds = df.as[KeyValue]
// org.apache.spark.sql.Dataset[KeyValue] = [key: int, value: string]

您也可以跳过大小写 class 并使用元组：

val tupDs = df.as[(Int,String)]
// org.apache.spark.sql.Dataset[(Int, String)] = [_1: int, _2: string]

然后如果你有另一个案例class / DF，像这样说：

case class Nums(key: Int, num1: Double, num2: Long)
val df2 = Seq((1,7.7,101L),(2,1.2,10L)).toDF("key","num1","num2")
val ds2 = df2.as[Nums]
// org.apache.spark.sql.Dataset[Nums] = [key: int, num1: double, num2: bigint]

那么，虽然join和joinWith的语法相似，但结果不同：

df.join(df2, df.col("key") === df2.col("key")).show
// +---+-----+---+----+----+
// |key|value|key|num1|num2|
// +---+-----+---+----+----+
// |  1| asdf|  1| 7.7| 101|
// |  2|34234|  2| 1.2|  10|
// +---+-----+---+----+----+

ds.joinWith(ds2, df.col("key") === df2.col("key")).show
// +---------+-----------+
// |       _1|         _2|
// +---------+-----------+
// | [1,asdf]|[1,7.7,101]|
// |[2,34234]| [2,1.2,10]|
// +---------+-----------+

如您所见，joinWith 将对象完整保留为元组的一部分，而 join 将列扁平化为单个命名空间。（在上述情况下会出现问题，因为列名 "key" 重复。）

奇怪的是，我必须使用 df.col("key") 和 df2.col("key") 来创建加入 ds 和 ds2 的条件——如果您只使用 col("key") 在任何一方都不起作用，并且 ds.col(...) 不存在。但是，使用原始的 df.col("key") 就可以了。

Answer 2

来自https://docs.cloud.databricks.com/docs/latest/databricks_guide/05%20Spark/1%20Intro%20Datasets.html

看来你可以做到

dfA.as("A").joinWith(dfB.as("B"), $"A.date" === $"B.date" )

Answer 3

对于上面的例子，你可以试试下面的方法：

为您的输出定义一个案例class

case class JoinOutput(key:Int, value:String, num1:Double, num2:Long)

用Seq("key")连接两个数据集，这将帮助您避免输出中出现两个重复的键列，这也有助于在下一步应用案例class或获取数据

val joined = ds.join(ds2, Seq("key")).as[JoinOutput]
// res27: org.apache.spark.sql.Dataset[JoinOutput] = [key: int, value: string ... 2 more fields]

结果将是平坦的：

joined.show

+---+-----+----+----+
|key|value|num1|num2|
+---+-----+----+----+
|  1| asdf| 7.7| 101|
|  2|34234| 1.2|  10|
+---+-----+----+----+

Spark 数据集 API - 加入

Spark Dataset API - join

scala

apache-spark

apache-spark-sql

apache-spark-dataset