从scala中其他2个数据集的特定列创建新数据集

Question

我有以下 2 个不同模式的数据集。

case class schema1(a: Double, b: Double) -> dataset1
case class schema2(c: Double, d: Double, e: Double, f: Double) -> dataset2

我想创建另一个具有以下架构的数据集：

case class schema3(c: Double,  b: Double) -> dataset3

即 schema3 数据集包含来自模式 2 数据集的第一列 c 和来自模式 1 数据集的第二列 b。

如何利用来自数据集 2 和 1 的 c 和 b 列的数据创建基于 schema3 的第三个数据集。

或者用更简单的话来说，我必须通过从第一个数据集中获取一列和从第二个数据集中获取另一列并将其映射到上面定义的第三个模式来创建第三个数据集。

请帮忙。

Answer 1

使用 monotonically_increasing_id 和 row_numer 在两个数据集中添加唯一的 id 值并使用 id 列与两个数据集中的所需列连接两个数据集，最后从结果数据集中删除 id。

请检查以下代码。

scala> case class schema1(a: Double, b: Double)
defined class schema1

scala> case class schema2(c: Double, d: Double, e: Double, f: Double)
defined class schema2

scala> import org.apache.spark.sql.expressions._
import org.apache.spark.sql.expressions._

scala> val sa = Seq(schema1(11,12),schema1(22,23)).toDF.withColumn("id",monotonically_increasing_id).withColumn("id",row_number().over(Window.orderBy("id")))
sa: org.apache.spark.sql.DataFrame = [a: double, b: double ... 1 more field]

scala> val sb = Seq(schema2(22,23,24,25),schema2(32,33,34,35),schema2(132,133,134,135)).toDF.withColumn("id",monotonically_increasing_id).withColumn("id",row_number().over(Window.orderBy("id")))
sb: org.apache.spark.sql.DataFrame = [c: double, d: double ... 3 more fields]

scala> sa.show(false)
+----+----+---+
|a   |b   |id |
+----+----+---+
|11.0|12.0|0  |
|22.0|23.0|1  |
+----+----+---+


scala> sb.show(false)
+-----+-----+-----+-----+---+
|c    |d    |e    |f    |id |
+-----+-----+-----+-----+---+
|22.0 |23.0 |24.0 |25.0 |0  |
|32.0 |33.0 |34.0 |35.0 |1  |
|132.0|133.0|134.0|135.0|2  |
+-----+-----+-----+-----+---+

scala> sb.select("c","id").join(sa.select("b","id"),Seq("id"),"full").drop("id").show(false)
+-----+----+
|c    |b   |
+-----+----+
|22.0 |12.0|
|32.0 |23.0|
|132.0|null|
+-----+----+