Spark 数据帧联接 - 重复列（未联接列）

Question

我有两个数据帧df1（Employee表）

df1.columns
// Arrays(id,name,dept_id)

和

df2.columns
// Array(id,name)

在我连接了df1.dept_id和df2.id上的这两个表之后:

val joinedData = df1.join(df2,df1("dept_id")===df2("id"))
joinedData.columns
// Array(id,name,dept_id,id,name)

同时将其保存在文件中，

joined.write.csv("<path>")

它给出错误：

 org.apache.spark.sql.AnalysisException: Duplicate column(s) : "name", "id" found, cannot save to file.;

我读过有关使用字符串序列来避免列重复的信息，但这适用于要对其执行连接的列。我需要对未连接的列具有类似的功能。

有没有一种直接的方法可以将重复列嵌入表名以便保存？

我想出了一个解决方案，匹配两个df的列，并重命名重复的列，将表名附加到列名上。但是有直接的方法吗？

注意：这将是一个通用代码，仅包含执行联接的列详细信息。其余列仅在运行时已知。所以我们不能通过硬编码来重命名列。

Answer 1

您可以尝试对数据帧使用别名，

import spark.implicits._

df1.as("df1")
  .join(df2.alias("df2"),df1("dept_id") === df2("id"))
  .select($"df1.*",$"df2.*").show()

Answer 2

在进一步研究并获得其他开发人员的意见后，肯定没有直接的方法。一种方法是更改@Raphael指定的所有列的名称。但是我通过只更改重复的列来解决我的问题：

val commonCols = df1.columns.intersect(df2.columns)
val newDf2 = changeColumnsName(df2,commonCols,"df1")

其中更改列名称定义为 ：

@tailrec
def changeColumnsName(dataFrame: DataFrame, columns: Array[String], tableName: String): DataFrame = {
if (columns.size == 0)
  dataFrame
else
  changeColumnsName(dataFrame.withColumnRenamed(columns.head, tableName + "_" + columns.head), columns.tail, tableName)

}

现在，执行加入：

val joinedData = df1.join(newDf2,df1("dept_id")===newDf2("df2_id"))
joinedData.columns
// Array(id,name,dept_id,df2_id,df2_name)

Answer 3

我只是通过确保它们具有不同的名称来保留所有列，例如通过在列名之前添加标识符：

val df1Cols = df1.columns
val df2Cols = df2.columns

// prefixes to column names
val df1pf = df1.select(df1Cols.map(n => col(n).as("df1_"+n)):_*)
val df2pf = df2.select(df2Cols.map(n => col(n).as("df2_"+n)):_*)

df1pf.join(df2pf,
    $"df1_dept_id"===$"df2_id",
 )