合并具有少量不同列的两个数据框

Question

我想合并几个具有很少不同列的DataFrame.假设,

• DataFrame A有3列:Column_1,Column_2,Column 3

• DataFrame B有3列:Column_1,Columns_2,Column_4

• DataFrame C有3列:Column_1,Column_2,Column_5

我想合并这些DataFrame,以便我得到一个DataFrame:

Column_1,Column_2,Column_3,Column_4 Column_5

DataFrame的数量可能会增加.有没有办法让这次合并？这样,对于特定的Column_1 Column_2组合,我得到同一行中其他三列的值,如果对于Column_1 Column_2的特定组合,某些列中没有数据则应该在那里显示null.

DataFrame A:

Column_1 Column_2 Column_3
   1        x        abc
   2        y        def

DataFrame B:

Column_1 Column_2 Column_4
   1        x        xyz
   2        y        www
   3        z        sdf

A和B的合并:

Column_1 Column_2 Column_3 Column_4
   1        x        abc     xyz
   2        y        def     www
   3        z        null    sdf

Answer 1

如果我正确理解您的问题,您将需要使用一系列列作为键来执行外连接.

我使用了您问题中提供的数据来说明如何使用示例完成:

scala> val df1 = Seq((1,"x","abc"),(2,"y","def")).toDF("Column_1","Column_2","Column_3")
// df1: org.apache.spark.sql.DataFrame = [Column_1: int, Column_2: string, Column_3: string]

scala> val df2 = Seq((1,"x","xyz"),(2,"y","www"),(3,"z","sdf")).toDF("Column_1","Column_2","Column_4")
// df2: org.apache.spark.sql.DataFrame = [Column_1: int, Column_2: string, Column_4: string]

scala> val df3 = df1.join(df2, Seq("Column_1","Column_2"), "outer")
// df3: org.apache.spark.sql.DataFrame = [Column_1: int, Column_2: string, Column_3: string, Column_4: string]

scala> df3.show
// +--------+--------+--------+--------+                                           
// |Column_1|Column_2|Column_3|Column_4|
// +--------+--------+--------+--------+
// |       1|       x|     abc|     xyz|
// |       2|       y|     def|     www|
// |       3|       z|    null|     sdf|
// +--------+--------+--------+--------+

使用给定的列称为equi-join另一个DataFrame.

它与其他连接函数不同,连接列只在输出中出现一次,即类似于SQL的JOIN USING语法.

注意

从Spark 1.6开始,外部均衡连接可用.