从值不同的两个数据框中获取列

Question

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"] }
]

Answer 1

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()

从值不同的两个数据框中获取列

Get columns from two dataframes where values differ

python

pyspark

apache-spark-sql

pyspark-sql