python - 在pyspark中检查另一个数据框中的一列中的一列的值

Question

我有两个 Pyspark 数据框（DF1 和 DF2）。我想检查 DF1 中的城市是否在 DF2 的城市列中可用，如果是，则从 DF2 返回国家名称并使用 Sl.No、城市和国家创建一个新的数据框 DF3。

DF1
Sl.No 城市
1 a
2 b
2 c
4 d
5 e

DF2
国家城市
W a
V b,c X d,e

DF3
Sl.No City Country 1 a W 2 b V 3 c V 4 d X 5 e X

标签： pythonpyspark-dataframes

Answer 1

这可以使用爆炸来实现

import pyspark.sql.functions as F

l1 = [(1, 'a', ), (2, 'b', ), (3, 'c'), (4, 'd'), (5, 'e')]
df1 = sqlContext.createDataFrame(l1, ['sino','city'])
#df1.show()

l1 = [('W', ['a'] ), ('V', ['b','c'] ), ('X', ['d', 'e'])]
df2 = sqlContext.createDataFrame(l1, ['ctry','cities'])
#df2.show()

df2 = df2.withColumn('cityName', F.explode('cities'))

df3 = df1.join(df2, df1.city == df2.cityName).drop('cities', 'cityName')

df3.show()

+----+----+----+
|sino|city|ctry|
+----+----+----+
|   1|   a|   W|
|   3|   c|   V|
|   5|   e|   X|
|   2|   b|   V|
|   4|   d|   X|
+----+----+----+