具有空条件的 pyspark 连接

Question

我正在尝试根据“年”和“发票”列加入两个pyspark数据帧，如下所示。但是如果df1中缺少“年”，那么我需要仅根据“发票”加入

DF1：

Year    invoice    Status   Item
2020    262        YES      bag
2019    252        YES      ball
2018    240        YES      pen
2017    228        YES      ink
2016    216        NO       headphone
2015    213        NO       bicycle
        198        NO       ribbon
        175        YES      phone
    

df2:

Year    invoice
2020    262
2016    216
2014    175
2013    198
2019    252

预期输出：

Year    invoice    Status   Item
2020    262        YES      bag
2016    216        NO       headphone
2014    175        YES      phone
2013    198        NO       ribbon
2019    252        YES      ball

我可以按如下方式加入df1和df2（仅基于“年份和发票”列）。如果df1中缺少年份，我需要添加仅基于发票加入两列的逻辑。

df_results = df1.join(df2, on=['Year', 'invoice'], how='left') \
                .drop(df2.Year) \
                .drop(df2.invoice)

请让我知道如何加入，如果“年”在df1中是不可用的，数据帧应该加入的基础上“发票”。谢了。

Answer 1

我没有您的代码来测试它，但我会尝试为连接操作添加一个条件：

cond = ((df1.Year == df2.Year) | df1.Year.isNull()) & (df1.invoice == df2.invoice)
df_results = df1.join(df2, on=cond, how='left') \
                .drop(df2.Year) \
                .drop(df2.invoice)