使用 UDF 加入 Pyspark Dataframe

Question

我正在尝试为 PySpark 中的两个数据帧（df1 和 df2）创建自定义连接（类似于），代码如下所示：

my_join_udf = udf(lambda x, y: isJoin(x, y), BooleanType())
my_join_df = df1.join(df2, my_join_udf(df1.col_a, df2.col_b))

我收到的错误消息是：

java.lang.RuntimeException: Invalid PythonUDF PythonUDF#<lambda>(col_a#17,col_b#0), requires attributes from more than one child

有没有办法编写可以处理来自两个单独数据帧的列的 PySpark UDF？

Answer 1

Spark 2.2+

你必须使用 crossJoin or enable cross joins :

df1.crossJoin(df2).where(my_join_udf(df1.col_a, df2.col_b))

Spark 2.0、2.1

下面显示的方法在 Spark 中不再有效 2.x。参见 SPARK-19728。

火花1.x

理论上可以加入过滤：

df1.join(df2).where(my_join_udf(df1.col_a, df2.col_b))

但一般来说，您不应该全部这样做。任何不基于相等的 join 类型都需要完整的笛卡尔积（与答案相同），这很少被接受（另请参见）。

Pyspark Dataframe Join using UDF