Pyspark数据框使用UDF加入

Question

我正在尝试在PySpark中为两个数据框（df1和df2）创建自定义连接（类似于此），代码如下所示：

my_join_udf = udf(lambda x, y: isJoin(x, y), BooleanType())
my_join_df = df1.join(df2, my_join_udf(df1.col_a, df2.col_b))

我得到的错误消息是：

java.lang.RuntimeException: Invalid PythonUDF PythonUDF#<lambda>(col_a#17,col_b#0), requires attributes from more than one child

有没有办法编写一个可以处理来自两个单独数据帧的列的 PySpark UDF？

Answer 1

火花2.2

您必须使用交叉连接或在配置中启用交叉连接：

df1.crossJoin(df2).where(my_join_udf(df1.col_a, df2.col_b))

火花2.0、2.1

下面显示的方法在Spark 2. x中不再起作用。请参见SPARK-19728。

Spark 1.x

理论上你可以加入和过滤:

df1.join(df2).where(my_join_udf(df1.col_a, df2.col_b))

但总的来说，你不应该全部。任何类型的不基于相等的连接都需要一个完整的笛卡尔积（与答案相同），这很少被接受（另请参阅为什么在SQL查询中使用UDF会导致笛卡尔积？）。