Создайте новый набор данных из указанных c столбцов из 2 других наборов данных в scala - PullRequest
Новая
       26

Создайте новый набор данных из указанных c столбцов из 2 других наборов данных в scala

0 голосов
/ 08 мая 2020

У меня есть 2 набора данных с разными схемами. 

case class schema1(a: Double, b: Double) -> dataset1
case class schema2(c: Double, d: Double, e: Double, f: Double) -> dataset2

Я хочу создать еще один набор данных с приведенной ниже схемой: 

case class schema3(c: Double,  b: Double) -> dataset3

т.е. набор данных schema3 содержит 1-й столбец - c из набора данных схемы 2 и 2-го столбца-b из набора данных схемы 1.

как мне создать третий набор данных на основе схемы 3, используя данные из столбцов c и b из набора данных 2 и 1.

или, проще говоря, мне нужно создать 3-й набор данных, взяв один столбец из 1-го набора данных и другой столбец из 2-го набора данных и сопоставив его с 3-ей схемой, определенной выше.

Пожалуйста, помогите.

1 Ответ

1 голос
/ 08 мая 2020

Используйте monotonically_increasing_id и row_numer, чтобы добавить уникальные значения идентификаторов в оба набора данных и объединить два набора данных, используя столбец id вместе с обязательными столбцами из обоих наборов данных, наконец, удалите идентификатор из набора данных результата.

Пожалуйста проверьте код ниже. 

scala> case class schema1(a: Double, b: Double)
defined class schema1

scala> case class schema2(c: Double, d: Double, e: Double, f: Double)
defined class schema2

scala> import org.apache.spark.sql.expressions._
import org.apache.spark.sql.expressions._

scala> val sa = Seq(schema1(11,12),schema1(22,23)).toDF.withColumn("id",monotonically_increasing_id).withColumn("id",row_number().over(Window.orderBy("id")))
sa: org.apache.spark.sql.DataFrame = [a: double, b: double ... 1 more field]

scala> val sb = Seq(schema2(22,23,24,25),schema2(32,33,34,35),schema2(132,133,134,135)).toDF.withColumn("id",monotonically_increasing_id).withColumn("id",row_number().over(Window.orderBy("id")))
sb: org.apache.spark.sql.DataFrame = [c: double, d: double ... 3 more fields]

scala> sa.show(false)
+----+----+---+
|a   |b   |id |
+----+----+---+
|11.0|12.0|0  |
|22.0|23.0|1  |
+----+----+---+


scala> sb.show(false)
+-----+-----+-----+-----+---+
|c    |d    |e    |f    |id |
+-----+-----+-----+-----+---+
|22.0 |23.0 |24.0 |25.0 |0  |
|32.0 |33.0 |34.0 |35.0 |1  |
|132.0|133.0|134.0|135.0|2  |
+-----+-----+-----+-----+---+

scala> sb.select("c","id").join(sa.select("b","id"),Seq("id"),"full").drop("id").show(false)
+-----+----+
|c    |b   |
+-----+----+
|22.0 |12.0|
|32.0 |23.0|
|132.0|null|
+-----+----+
...