pyspark中的内部连接

Question

我有一个pyspark数据帧(df1 ),它由10K行组成，数据帧看起来像-

id       mobile_no       value
1        1111111111        .43
2        2222222222        .54
3        3333333333        .03
4        4444444444        .22

另一个pyspark数据帧（df2）由100k记录组成，看起来像-

mobile_no            gender
912222222222           M
914444444444           M
919999999999           F
915555555555           M
918888888888           F

我想使用pyspark内连接，最终的数据帧看起来像-

mobile_no          value           gender
2222222222         .54               M
4444444444         .22               M

df2中mobile_no的长度是12，但df1中是10。我可以加入它，但这是昂贵的操作。使用pyspark有帮助吗？

common_cust = spark.sql("SELECT mobile_number, age \
                         FROM df1 \
                         WHERE mobile_number IN (SELECT DISTINCT mobile_number FROM df2)")

Answer 1

一种方法可以是在df2上使用子字符串函数，只保留最后10位数字，以获得与 中相同的长度：

import pyspark.sql.functions as F

ddf2.select(F.substring('mobile_no', 3, 10).alias('mobile_no'),'gender').show()
+----------+------+
| mobile_no|gender|
+----------+------+
|2222222222|     M|
|4444444444|     M|
|9999999999|     F|
|5555555555|     M|
|8888888888|     F|
+----------+------+

然后，您只需要执行一个内部< code>join来获得您期望的输出:

common_cust = df1.select('mobile_no', 'value')\
                 .join( df2.select(F.substring('mobile_no', 3, 10).alias('mobile_no'),'gender'), 
                        on=['mobile_no'], how='inner')
common_cust.show()
+----------+-----+------+
| mobile_no|value|gender|
+----------+-----+------+
|2222222222| 0.54|     M|
|4444444444| 0.22|     M|
+----------+-----+------+

如果你想使用spark.sql，我猜你可以这样做：

common_cust = spark.sql("""select df1.mobile_no, df1.value, df2.gender
                           from df1
                           inner join df2 
                           on df1.mobile_no = substring(df2.mobile_no, 3, 10)""")