python 2.7 - technology - Marco de datos de filtro Pyspark por columnas de otro marco de datos

spark technology

Question

No estoy seguro de por qué estoy teniendo un momento difícil con esto, parece tan simple teniendo en cuenta que es bastante fácil de hacer en R o pandas. Sin embargo, quería evitar el uso de pandas ya que estoy lidiando con una gran cantidad de datos, y creo que toPandas() carga todos los datos en la memoria del controlador en pyspark.

Tengo 2 marcos de datos: df1 y df2 . Quiero filtrar df1 (eliminar todas las filas) donde df1.userid = df2.userid AND df1.group = df2.group . No estaba seguro de si debería usar filter() , join() o sql Por ejemplo:

df1:
+------+----------+--------------------+
|userid| group | all_picks |
+------+----------+--------------------+
| 348| 2|[225, 2235, 2225] |
| 567| 1|[1110, 1150] |
| 595| 1|[1150, 1150, 1150] |
| 580| 2|[2240, 2225] |
| 448| 1|[1130] |
+------+----------+--------------------+
df2:
+------+----------+---------+
|userid| group | pick |
+------+----------+---------+
| 348| 2| 2270|
| 595| 1| 2125|
+------+----------+---------+
Result I want:
+------+----------+--------------------+
|userid| group | all_picks |
+------+----------+--------------------+
| 567| 1|[1110, 1150] |
| 580| 2|[2240, 2225] |
| 448| 1|[1130] |
+------+----------+--------------------+

EDITAR: He intentado muchas funciones join () y filter (), creo que lo más cercano que tuve fue:

cond = [df1.userid == df2.userid, df2.group == df2.group]
df1.join(df2, cond, ''left_outer'').select(df1.userid, df1.group, df1.all_picks) # Result has 7 rows

Probé un montón de diferentes tipos de unión, y también probé diferentes valores cond : cond = ((df1.userid == df2.userid) & (df2.group == df2.group)) # result tiene 7 filas cond = ( (df1.userid! = df2.userid) & (df2.group! = df2.group)) # resultado tiene 2 filas

Sin embargo, parece que las combinaciones están agregando filas adicionales, en lugar de eliminar.

Estoy usando python 2.7 y spark 2.1.0

Answer 1

Left anti join es lo que estás buscando:

df1.join(df2, ["userid", "group"], "leftanti")

pero lo mismo se puede hacer con la unión externa izquierda:

(df1
.join(df2, ["userid", "group"], "leftouter")
.where(df2["pick"].isNull())
.drop(df2["pick"]))