Spark-SQL 连接两个具有相同列名的数据框/数据集

Question

我有以下两个数据集

controlSetDF : has columns loan_id, merchant_id, loan_type, created_date, as_of_date
accountDF : has columns merchant_id, id, name, status, merchant_risk_status

我正在使用 Java spark api 加入它们，我只需要最终数据集中的特定列

private String[] control_set_columns = {"loan_id", "merchant_id", "loan_type"};
private String[] sf_account_columns = {"id as account_id", "name as account_name", "merchant_risk_status"};

controlSetDF.selectExpr(control_set_columns)                                               
.join(accountDF.selectExpr(sf_account_columns),controlSetDF.col("merchant_id").equalTo(accountDF.col("merchant_id")), 
"left_outer");

但是我得到以下错误

org.apache.spark.sql.AnalysisException: resolved attribute(s) merchant_id#3L missing from account_name#131,loan_type#105,account_id#130,merchant_id#104L,loan_id#103,merchant_risk_status#2 in operator !Join LeftOuter, (merchant_id#104L = merchant_id#3L);;!Join LeftOuter, (merchant_id#104L = merchant_id#3L)

似乎有问题，因为两个数据框都有 merchant_id 列。

注意：如果我不使用 .selectExpr() 它工作正常。但它将显示来自第一和第二数据集的所有列。

Answer 1

您正在使用 sf_account_columns 中列出的列加入 DataFrame。该数组不包含您要加入的列，因此 DataFrame 也没有。将此列添加到提到的数组

Answer 2

如果两个DataFrame中的join columns名称相同，你可以简单的将其定义为join condition。在 Scala 中它更简洁一些，使用 Java 你需要将 Java List 转换为 Scala Seq:

Seq<String> joinColumns = scala.collection.JavaConversions
  .asScalaBuffer(Lists.newArrayList("merchant_id"));

controlSetDF.selectExpr(control_set_columns)
  .join(accountDF.selectExpr(sf_account_columns), joinColumns), "left_outer");

这将导致 DataFrame 只有一个连接列。

Spark-SQL 连接两个具有相同列名的数据框/数据集

Spark-SQL Joining two dataframes/ datasets with same column name

java

apache-spark

apache-spark-sql

apache-spark-dataset