时间戳

首页 > 解决方案 > 如何在python中比较两个DataFrame（StructType）

python - 如何在python中比较两个DataFrame（StructType）

问题描述

本质上这是比较两个数据框，我可以将它们的名称与以下内容进行比较：

def diff(first, second):
    second = set(second)
    return [item for item in first if item not in second]

但我还想不仅在名称上进行比较，还想在数据类型上进行比较

示例数据框如下：

>>> pDF1.schema
StructType(
List(
StructField(Scen_Id,IntegerType,true),
StructField(Flow_Direction,StringType,true),
StructField(Dataset_Type,StringType,true),
StructField(Flag_Extrapolation_Percent_Change_Stay,IntegerType,true)
)
)

>>> pDF2.schema
StructType(
List(
StructField(Scen_Id,StringType,true),
StructField(Flow_Direction,StringType,true),
StructField(Dataset_Type,StringType,true),
StructField(Flag_Extrapolation_Percent_Change_Stay,IntegerType,true)
)
)

从这个特殊的简化示例中可以看出（通常我们的数据帧包含超过 100 个字段），pDF2 具有与 pDF1 相同的名称/数据类型，除了第一个字段具有不同的数据类型。

非常感谢。

标签： pythondataframeschema

解决方案

好的，所以答案确实非常简单，如下所示，供未来读者参考：

def diff(first, second):
    second = set(second)
    return [item for item in first if item not in second]

dl1_fields = list(pDF1.schema.fields)

dl2_fields = list(pDF2.schema.fields)

print("=========================================================")
print("schema comparison result:")
print("=========================================================")
dl1Notdl2 = diff(dl1_fields, dl2_fields)
print(str(len(dl1Notdl2)) + " columns in first df but not in second")
pprint.pprint(dl1Notdl2)
print("=========================================================")
dl2Notdl1 = diff(dl2_fields, dl1_fields)
print(str(len(dl2Notdl1)) + " columns in second df but not in first")
pprint.pprint(dl2Notdl1)

推荐阅读