Spark Dataset APIを使用しようとしていますが、単純な結合を行う際にいくつかの問題があります。
date | value
というフィールドを持つ2つのデータセットがあり、DataFrame
の場合、私の結合は次のようになります。
val dfA : DataFrame
val dfB : DataFrame
dfA.join(dfB, dfB("date") === dfA("date") )
ただし、Dataset
には.joinWith
メソッドがありますが、同じアプローチは機能しません。
val dfA : Dataset
val dfB : Dataset
dfA.joinWith(dfB, ? )
.joinWith
で必要な引数は何ですか?
joinWith
を使用するには、最初にDataSet
を作成する必要があり、おそらく2つを作成する必要があります。 DataSet
を作成するには、スキーマに一致するケースクラスを作成し、T
がケースクラスである_DataFrame.as[T]
_を呼び出す必要があります。そう:
_case class KeyValue(key: Int, value: String)
val df = Seq((1,"asdf"),(2,"34234")).toDF("key", "value")
val ds = df.as[KeyValue]
// org.Apache.spark.sql.Dataset[KeyValue] = [key: int, value: string]
_
ケースクラスをスキップして、タプルを使用することもできます。
_val tupDs = df.as[(Int,String)]
// org.Apache.spark.sql.Dataset[(Int, String)] = [_1: int, _2: string]
_
次に、次のように別のケースクラス/ DFがある場合:
_case class Nums(key: Int, num1: Double, num2: Long)
val df2 = Seq((1,7.7,101L),(2,1.2,10L)).toDF("key","num1","num2")
val ds2 = df2.as[Nums]
// org.Apache.spark.sql.Dataset[Nums] = [key: int, num1: double, num2: bigint]
_
次に、join
とjoinWith
の構文は似ていますが、結果は異なります。
_df.join(df2, df.col("key") === df2.col("key")).show
// +---+-----+---+----+----+
// |key|value|key|num1|num2|
// +---+-----+---+----+----+
// | 1| asdf| 1| 7.7| 101|
// | 2|34234| 2| 1.2| 10|
// +---+-----+---+----+----+
ds.joinWith(ds2, df.col("key") === df2.col("key")).show
// +---------+-----------+
// | _1| _2|
// +---------+-----------+
// | [1,asdf]|[1,7.7,101]|
// |[2,34234]| [2,1.2,10]|
// +---------+-----------+
_
ご覧のとおり、joinWith
はオブジェクトをタプルの一部としてそのまま残しますが、join
は列を単一の名前空間にフラット化します。 (列名「キー」が繰り返されるため、上記の場合に問題が発生します。)
不思議なことに、df.col("key")
とdf2.col("key")
を使用して、ds
と_ds2
_を結合するための条件を作成する必要があります-col("key")
どちらの側でも機能せず、ds.col(...)
は存在しません。ただし、元のdf.col("key")
を使用するとうまくいきます。
から https://docs.cloud.databricks.com/docs/latest/databricks_guide/05%20Spark/1%20Intro%20Datasets.html
あなたはちょうどできるように見えます
dfA.as("A").joinWith(dfB.as("B"), $"A.date" === $"B.date" )
上記の例では、以下のオプションを試すことができます-
出力のケースクラスを定義する
case class JoinOutput(key:Int, value:String, num1:Double, num2:Long)
2つのデータセットを "Seq(" key ")"で結合します。これにより、出力で2つのキー列が重複するのを防ぐことができます。次のステップでケースクラスを適用するか、データを取得するのに役立ちます
ds.join(ds2, Seq("key")).as[JoinOutput] res27: org.Apache.spark.sql.Dataset[JoinOutput] = [key: int, value: string ... 2 more fields]
scala> ds.join(ds2, Seq("key")).as[JoinOutput].show +---+-----+----+----+ |key|value|num1|num2| +---+-----+----+----+ | 1| asdf| 7.7| 101| | 2|34234| 1.2| 10| +---+-----+----+----+