从值不同的两个数据框中获取列
Get columns from two dataframes where values differ
我有两个几乎相同的 Pyspark 数据帧:相同的行数和 row_id,相同的架构,但每行的某些列的值不同。
我想确定每行的那些列是什么。
示例:
数据框 A
id fname lname email
1 Michael Jackson mj@yahoo.com
2 Roger Moore rm@rocketmail.com
3 Angela Merkel am@dw.de
数据框 B
id fname lname email
1 Michael Jordan mj@yahoo.com
2 Gordon Moore rm@rocketmail.com
3 Angela Markle am@dw.com
预期输出是字典列表:
[
{"1": ["lname"]},
{"2": ["fname"] },
{"3": ["lname", "email"] }
]
这是一个更通用的答案,使用 RDD 转换:
column_names = a_df.schema.names
def compare(row):
diff_columns = []
for col in column_names:
if row[1][0][col] != row[1][1][col]:
diff_columns.append(col)
return ( row[0], { row[0]: diff_columns } )
# convert to Pair RDD for joining
a_pair_rdd = a_df.rdd.map(lambda x: (x['id'], x))
b_pair_rdd = b_df.rdd.map(lambda y: (y['id'], y))
joined_rdd = a_pair_rdd.join(b_pair_rdd)
output = joined_rdd.map(compare).map(lambda pair: pair[1]).collect()
我有两个几乎相同的 Pyspark 数据帧:相同的行数和 row_id,相同的架构,但每行的某些列的值不同。
我想确定每行的那些列是什么。
示例:
数据框 A
id fname lname email
1 Michael Jackson mj@yahoo.com
2 Roger Moore rm@rocketmail.com
3 Angela Merkel am@dw.de
数据框 B
id fname lname email
1 Michael Jordan mj@yahoo.com
2 Gordon Moore rm@rocketmail.com
3 Angela Markle am@dw.com
预期输出是字典列表:
[
{"1": ["lname"]},
{"2": ["fname"] },
{"3": ["lname", "email"] }
]
这是一个更通用的答案,使用 RDD 转换:
column_names = a_df.schema.names
def compare(row):
diff_columns = []
for col in column_names:
if row[1][0][col] != row[1][1][col]:
diff_columns.append(col)
return ( row[0], { row[0]: diff_columns } )
# convert to Pair RDD for joining
a_pair_rdd = a_df.rdd.map(lambda x: (x['id'], x))
b_pair_rdd = b_df.rdd.map(lambda y: (y['id'], y))
joined_rdd = a_pair_rdd.join(b_pair_rdd)
output = joined_rdd.map(compare).map(lambda pair: pair[1]).collect()