Question

如果df1.date1位于df2.date2和df2.date3之间（仅date2，date3组合，按行的三个范围），我试图从 df1 中选择记录，允许）。

在我的情况下，没有用于建立“加入”条件的公共变量。我尝试了其他pyspark.sql函数，例如“过滤器”，“何时”，“ withColumn”，“ date_sub”，“ date_add”等，但是找不到解决方案。

我确实经历了几篇SO帖子，但是，大多数人建议使用“ join”，这可能不适合我的问题！

df1

+----------+-----------+
|  emp_id  |   date1   |
+----------+-----------+
|   67891  | 11-13-2015|
|   12345  | 02-28-2017|
|   34567  | 04-07-2017|
+----------+-----------+

df2

+------------+------------+
|  date2     |   date3    |
+------------+------------+
|01-28-2017  | 03-15-2017 |
|07-13-2017  | 11-13-2017 |
|06-07-2018  | 09-07-2018 |
+------------+------------+

预期记录 ：

+----------+-----------+
|  emp_id  |   date1   |
+----------+-----------+
|   12345  | 02-28-2017|
+----------+-----------+

Answer 1

您可以在Spark中进行非等额联接。您不一定需要匹配的键。

这是在scala中，非常确定它在python中几乎相同。 Lemme知道它是否不起作用。还将在pyspark中更新答案。

scala> df1.join(df2 , 'date1 > 'date2 && 'date1 < 'date3).show
    +------+----------+----------+----------+
    |emp_id|     date1|     date2|     date3|
    +------+----------+----------+----------+
    | 12345|02-28-2017|01-28-2017|03-15-2017|
    +------+----------+----------+----------+

Pyspark解决方案：

>>> from pyspark.sql.functions import unix_timestamp
>>> from pyspark.sql.functions import from_unixtime
>>> x = [(67891 ,'11-13-2015'),(12345, '02-28-2017'),(34567,'04-07-2017')]
>>> df1 = spark.createDataFrame(x,['emp_id','date1'])
>>> y = [('01-28-2017','03-15-2017'),('07-13-2017','11-13-2017'),('06-07-2018','09-07-2018')]
>>> df2 = spark.createDataFrame(y,['date2','date3'])
>>> df1a = df1.select('emp_id', from_unixtime(unix_timestamp('date1', 'MM-dd-yyy')).alias('date1'))
>>> df2a = df2.select(from_unixtime(unix_timestamp('date2', 'MM-dd-yyy')).alias('date2'),from_unixtime(unix_timestamp('date3', 'MM-dd-yyy')).alias('date3'))


>>> df1a.join(df2a, on=[df1a['date1'] > df2a['date2'], df1a['date1'] < df2a['date3']]).show()
+------+-------------------+-------------------+-------------------+
|emp_id|              date1|              date2|              date3|
+------+-------------------+-------------------+-------------------+
| 12345|2017-02-28 00:00:00|2017-01-28 00:00:00|2017-03-15 00:00:00|
+------+-------------------+-------------------+-------------------+

PySpark：根据另一个数据框中的日期范围过滤数据

1 个答案: