Tôi đang cố gắng để lọc một dataframe chống lại khác:Làm thế nào để lọc một tia lửa dataframe chống dataframe khác
scala> val df1 = sc.parallelize((1 to 100).map(a=>(s"user $a", a*0.123, a))).toDF("name", "score", "user_id")
scala> val df2 = sc.parallelize(List(2,3,4,5,6)).toDF("valid_id")
Bây giờ tôi muốn lọc df1 và lấy lại một dataframe có chứa tất cả các hàng trong df1 nơi user_id nằm trong df2 ("valid_id"). Nói cách khác, tôi muốn tất cả các hàng trong df1 nơi user_id là một trong hai 2,3,4,5 hoặc 6
scala> df1.select("user_id").filter($"user_id" in df2("valid_id"))
warning: there were 1 deprecation warning(s); re-run with -deprecation for details
org.apache.spark.sql.AnalysisException: resolved attribute(s) valid_id#20 missing from user_id#18 in operator !Filter user_id#18 IN (valid_id#20);
Mặt khác khi tôi cố gắng làm một bộ lọc chống lại một chức năng, tất cả mọi thứ sẽ rất tốt :
scala> df1.select("user_id").filter(($"user_id" % 2) === 0)
res1: org.apache.spark.sql.DataFrame = [user_id: int]
Tại sao tôi gặp phải lỗi này? Có gì sai với cú pháp của tôi không?
comment sau tôi đã cố gắng để làm một trái bên ngoài tham gia:
scala> df1.show
+-------+------------------+-------+
| name| score|user_id|
+-------+------------------+-------+
| user 1| 0.123| 1|
| user 2| 0.246| 2|
| user 3| 0.369| 3|
| user 4| 0.492| 4|
| user 5| 0.615| 5|
| user 6| 0.738| 6|
| user 7| 0.861| 7|
| user 8| 0.984| 8|
| user 9| 1.107| 9|
|user 10| 1.23| 10|
|user 11| 1.353| 11|
|user 12| 1.476| 12|
|user 13| 1.599| 13|
|user 14| 1.722| 14|
|user 15| 1.845| 15|
|user 16| 1.968| 16|
|user 17| 2.091| 17|
|user 18| 2.214| 18|
|user 19|2.3369999999999997| 19|
|user 20| 2.46| 20|
+-------+------------------+-------+
only showing top 20 rows
scala> df2.show
+--------+
|valid_id|
+--------+
| 2|
| 3|
| 4|
| 5|
| 6|
+--------+
scala> df1.join(df2, df1("user_id") === df2("valid_id"))
res6: org.apache.spark.sql.DataFrame = [name: string, score: double, user_id: int, valid_id: int]
scala> res6.collect
res7: Array[org.apache.spark.sql.Row] = Array()
scala> df1.join(df2, df1("user_id") === df2("valid_id"), "left_outer")
res8: org.apache.spark.sql.DataFrame = [name: string, score: double, user_id: int, valid_id: int]
scala> res8.count
res9: Long = 0
Tôi đang chạy spark 1.5.0 với scala 2.10.5
Bạn muốn lọc hoặc thực hiện một kết hợp trên hai khung dữ liệu? – eliasah
@eliasah Tôi muốn lấy một khung dữ liệu với một tập con của các hàng từ df1. đối với mỗi hàng r trong df1, nếu giá trị của r ("user_id") nằm trong df2 ("valid_id"), thì r hàng sẽ được bao gồm trong khung dữ liệu kết quả. – polo
Sau đó, bạn sẽ phải thực hiện một tham gia bên ngoài bên trái từ df1 đến df2 trên userId == validId – eliasah