Scala：从数据框中选择列时使用 spark sql 函数答案

【问题标题】：Scala: Using a spark sql function when selecting column from a dataframeScala：从数据框中选择列时使用 spark sql 函数
【发布时间】：2019-07-17 04:38:50
【问题描述】：

我有两个表/数据框：A 和 B

A 有以下列：cust_id, purch_date

B 有一列：cust_id, col1（不需要 col1）

以下示例显示了每个表的内容：

Table A
cust_id  purch_date
  34564  2017-08-21
  34564  2017-08-02
  34564  2017-07-21
  23847  2017-09-13
  23423  2017-06-19


Table B
cust_id  col1
  23442     x
  12452     x
  12464     x  
  23847     x
  24354     x

我想选择cust_id 和purch_date 的第一天，其中B 中没有选定的cust_id。

这可以通过以下命令在 SQL 中实现：

select a.cust_id, trunc(purch_date, 'MM') as mon
from a
left join b
on a.cust_id = b.cust_id
where b.cust_id is null
group by cust_id, mon;

以下将是输出：

Table A
cust_id  purch_date
  34564  2017-08-01
  34564  2017-07-01
  23423  2017-06-01

我尝试了以下方法在 Scala 中实现相同的功能：

import org.apache.spark.sql.functions._

a = spark.sql("select * from db.a")
b = spark.sql("select * from db.b")

var out = a.join(b, Seq("cust_id"), "left")
           .filter("col1 is null")
           .select("cust_id", trunc("purch_date", "month"))
           .distinct()

但我遇到了不同的错误，例如：

error: type mismatch; found: StringContext required: ?{def $: ?}

我被困在这里，无法在网上找到足够的文档/答案。

【问题讨论】：

标签： scala apache-spark dataframe sql-function

【解决方案1】：

Select 应该包含Columns 而不是Strings：

输入：

df1:
+-------+----------+
|cust_id|purch_date|
+-------+----------+
|  34564|2017-08-21|
|  34564|2017-08-02|
|  34564|2017-07-21|
|  23847|2017-09-13|
|  23423|2017-06-19|
+-------+----------+    

df2:
+-------+----+
|cust_id|col1|
+-------+----+
|  23442|   X|
|  12452|   X|
|  12464|   X|
|  23847|   X|
|  24354|   X|
+-------+----+

如下更改您的查询：

df1.join(df2, Seq("cust_id"), "left").filter("col1 is null")
.select($"cust_id", trunc($"purch_date", "MM"))
.distinct()
.show()

输出：

+-------+---------------------+
|cust_id|trunc(purch_date, MM)|
+-------+---------------------+
|  23423|           2017-06-01|
|  34564|           2017-07-01|
|  34564|           2017-08-01|
+-------+---------------------+

【讨论】：