我有两个数据集
controlSetDF : has columns loan_id, merchant_id, loan_type, created_date, as_of_date
accountDF : has columns merchant_id, id, name, status, merchant_risk_status
我正在使用Java spark api加入它们,我只需要在最终数据集中使用特定的列
private String[] control_set_columns = {"loan_id", "merchant_id", "loan_type"};
private String[] sf_account_columns = {"id as account_id", "name as account_name", "merchant_risk_status"};
controlSetDF.selectExpr(control_set_columns)
.join(accountDF.selectExpr(sf_account_columns),controlSetDF.col("merchant_id").equalTo(accountDF.col("merchant_id")),
"left_outer");
但我得到以下错误
org.apache.spark.sql.AnalysisException: resolved attribute(s) merchant_id#3L missing from account_name#131,loan_type#105,account_id#130,merchant_id#104L,loan_id#103,merchant_risk_status#2 in operator !Join LeftOuter, (merchant_id#104L = merchant_id#3L);;!Join LeftOuter, (merchant_id#104L = merchant_id#3L)
似乎存在问题,因为两个数据帧都有merchant_id列.
注意:如果我不使用.selectExpr()它可以正常工作.但它将显示第一个和第二个数据集中的所有列.
最佳答案 如果两个DataFrame中的连接列的名称相同,则可以将其定义为连接条件.在Scala中它更清晰,使用Java需要将Java List转换为Scala Seq:
Seq<String> joinColumns = scala.collection.JavaConversions
.asScalaBuffer(Lists.newArrayList("merchant_id"));
controlSetDF.selectExpr(control_set_columns)
.join(accountDF.selectExpr(sf_account_columns), joinColumns), "left_outer");
这将导致DataFrame仅包含一个连接列.