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") )

但是对于Dataset，有.joinWith方法，但相同的方法不起作用：

val dfA : Dataset
val dfB : Dataset

dfA.joinWith(dfB, ? )

.joinWith所需的论点是什么？

Answer 1

要使用joinWith，首先必须创建DataSet，其中最有可能是其中两个。要创建DataSet，您需要创建一个与您的架构匹配的案例类，并调用DataFrame.as[T]，其中T是您的案例类。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]

您也可以跳过案例类并使用元组：

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类/ DF，就像这样说：

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]

然后，虽然join和joinWith的语法相似，但结果却不同：

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将对象保留为元组的一部分，而join将列展平为单个命名空间。（这会导致上述情况出现问题，因为重复了列名“key”。）

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")任何一方都不起作用，ds.col(...)不存在。然而，使用原始df.col("key")可以解决问题。

Answer 2

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

看起来你可以做到

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

Answer 3

在上面的示例中，您可以尝试以下选项 -

为输出定义案例类

case class JoinOutput(key:Int, value:String, num1:Double, num2:Long)
使用“Seq（”key“）”连接两个数据集，这将帮助您避免输出中的两个重复键列。这将有助于应用案例类或在下一步中获取数据

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

scala> ds.join(ds2, Seq("key")).as[JoinOutput].show +---+-----+----+----+ |key|value|num1|num2| +---+-----+----+----+ | 1| asdf| 7.7| 101| | 2|34234| 1.2| 10| +---+-----+----+----+

Spark数据集API - 加入

3 个答案: