我正在寻找一种按键组合两个数据框的方法。我DataFrames是这样的:使用PySpark使用正则表达式加入数据框
df1 :
[Row(account_uid=u"_guid_P3p2_4VlUa1taKzzYUlDkC1gv0xe3GE9DDr4IWK1P6Y=^facebook^TRUE^TRUE^FALSE^FALSE^62.36^fr_FR^facebook^10210866419602223^f^20^1996-02-21^Aude^TRUE^FALSE^fr_FR^2016-10-09^2016-10-04, work_titles=None, work_locations=None, d_date=u'2016-10-10'),
Row(account_uid=u"_guid_Kq6LT407kBCAw0Q2K7y-Q8RxamuAgs9v_w2LINQ2jRk=^facebook^TRUE^TRUE^FALSE^TRUE^30.85^fr_FR^facebook^10153156407710064^f^29^1987-02-19^Olivia^TRUE^FALSE^fr_FR^2016-10-09^2016-09-28, work_titles=None, work_locations=None, d_date=u'2016-10-10')]
df2 :
[Row(gigyaid=u'_guid_P3p2_4VlUa1taKzzYUlDkC1gv0xe3GE9DDr4IWK1P6Y=', kruxuserids=u'K0EYsC88')]
我的钥匙将 “account_uid” 为DF1和 “gigyaid” 为DF2。我的代码:
df1.join(df2, df1.account_uid == df2.gigyaid, 'fullouter')
在现实中,我Dataframes两个RDDS,并转化为Datafarmes后,我得到了Dataframes有两种类型的分隔符:“”和‘^’。所以问题是,联接不只拿“_guid_P3p2_4VlUa1taKzzYUlDkC1gv0xe3GE9DDr4IWK1P6Y =”为account_uid,但所有的字符串,从GUID直到2016年10月4日,这是不对的。 我想用正则表达式选择正确的account_uid。 我想要做这样的事情:
from pyspark.sql.functions import udf, col
from pyspark.sql.types import StringType
contains = udf(lambda x: re.match(r'^(.*?)\^', x), BooleanType())
df = (df1.join(df2)
.where(contains(col('account_uid'), col('gigyaid'))))
我得到这个错误信息:
这可能吗? 我在哪里可以把连接的类型'fullouter'? 任何帮助表示赞赏。谢谢 !