Spark：加入数组

Question

我需要将带有字符串列的数据框与带有字符串数组的数据框连接起来，这样如果数组中的一个值匹配，行就会连接起来。

我试过了，但我猜它不支持。 还有其他方法吗？

import org.apache.spark.SparkConf
import org.apache.spark.sql.SparkSession

val sparkConf = new SparkConf().setMaster("local[*]").setAppName("test")
val spark = SparkSession.builder().config(sparkConf).getOrCreate()

import spark.implicits._

val left = spark.sparkContext.parallelize(Seq(1, 2, 3)).toDF("col1")
val right = spark.sparkContext.parallelize(Seq((Array(1, 2), "Yes"),(Array(3),"No"))).toDF("col1", "col2")

left.join(right,"col1")

投掷：

org.apache.spark.sql.AnalysisException: 无法解析 '(col1 =col1)' 由于数据 类型不匹配：'(col1 =

中的不同类型

col1)'（整数和数组）。;;

Answer 1

一种选择是创建一个 UDF 来构建您的连接条件：

import org.apache.spark.sql.functions._
import scala.collection.mutable.WrappedArray

val left = spark.sparkContext.parallelize(Seq(1, 2, 3)).toDF("col1")
val right = spark.sparkContext.parallelize(Seq((Array(1, 2), "Yes"),(Array(3),"No"))).toDF("col1", "col2")

val checkValue = udf { 
  (array: WrappedArray[Int], value: Int) => array.contains(value) 
}
val result = left.join(right, checkValue(right("col1"), left("col1")), "inner")

result.show

+----+------+----+
|col1|  col1|col2|
+----+------+----+
|   1|[1, 2]| Yes|
|   2|[1, 2]| Yes|
|   3|   [3]|  No|
+----+------+----+

Answer 2

最简洁的方法是使用 array_contains spark sql 表达式，如下所示，这表示我已经将其性能与执行爆炸和连接的性能进行了比较，如上一个答案和爆炸似乎性能更高。

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

val left = Seq(1, 2, 3).toDF("col1")

val right = Seq((Array(1, 2), "Yes"),(Array(3),"No")).toDF("col1", "col2").withColumnRenamed("col1", "col1_array")

val joined = left.join(right, expr("array_contains(col1_array, col1)")).show

+----+----------+----+
|col1|col1_array|col2|
+----+----------+----+
|   1|    [1, 2]| Yes|
|   2|    [1, 2]| Yes|
|   3|       [3]|  No|
+----+----------+----+

请注意，您不能直接使用 org.apache.spark.sql.functions.array_contains 函数，因为它要求第二个参数是文字而不是列表达式。

Answer 3

您可以在加入之前在 Array 列上使用 explode。 Explode 为数组中的每个元素创建一个新行：

right = right.withColumn("exploded_col",explode(right("col1")))
right.show()

+------+----+--------------+
|  col1|col2|exploded_col_1|
+------+----+--------------+
|[1, 2]| Yes|             1|
|[1, 2]| Yes|             2|
|   [3]|  No|             3|
+------+----+--------------+

然后您可以轻松加入您的第一个数据集。