Apache Spark：如何使用 Java 在 dataFrame 中的空值列中插入数据

Question

我必须使用 DataFrame2 将 DataFrame1 中可用的值插入到具有空值的列之一中。基本上更新 DataFrame2 中的列。

两个 DataFrame 都有 2 个公共列。

有没有办法使用 Java 做同样的事情？或者可以有不同的方法？

示例输入：

1) 文件 1.csv

BILL_ID,BILL_NBR_TYPE_CD,BILL_NBR,VERSION,PRIM_SW
0501841898,BIN     ,404154,1000,Y
0681220958,BIN     ,735332,1000,Y
5992410180,BIN     ,454680,1000,Y
6995270884,SREBIN  ,1000252750295575,1000,Y

这里BILL_ID 是系统ID，BILL_NBR 是外部ID。

2) 文件2.csv

TXN_ID,TXN_TYPE,BILL_ID,BILL_NBR_TYPE_CD,BILL_NBR
01234, ABC     ,"     ",BIN     ,404154
22365, XYZ     ,"     ",BIN     ,735332
45890, LKJ     ,"     ",BIN     ,454680
23456, MPK     ,"     ",SREBIN  ,1000252750295575

样本输出

如下图BILL_ID值应填入File2.csv

01234, ABC     ,501841898,BIN     ,404154
22365, XYZ     ,681220958,BIN     ,735332
45890, LKJ     ,5992410180,BIN     ,454680
23456, MPK     ,6995270884,SREBIN  ,1000252750295575

我创建了两个 DataFrame 并将两个文件的数据都加载到其中，现在我不知道如何继续。

编辑

基本上我想清楚以下三个步骤：

1. 如何从 File2.csv 中获取 BILL_NBR 和 BILL_NBR_TYPE_CD 值？

对于这一步我写了：file2Df.select("BILL_NBR_TYPE_CD","BILL_NBR");

1. 如何根据 step1 中检索到的值从 File1.csv 中获取 BILL_ID 值？

2. 如何在 File2.csv 中相应地更新 BILL_ID 值？

我是火花新手，如果有人可以指点，我将不胜感激。

Answer 1

您需要根据BILL_NBR 列连接两个表。

假设：BILL_NBR 和 BILL_ID 列之间存在一对一的关系。

假设您的 File1.csv 和 File2.csv 的数据框名称分别为 file1DF 和 file2DF，以下应该适合您：

Dataset<Row> file1DF = file1DF.select("BILL_ID","BILL_NBR","BILL_NBR_TYPE_CD");
Dataset<Row> file2DF = file2DF.select("TXN_ID","TXN_TYPE","BILL_NBR_TYPE_CD","BILL_NBR");
Dataset<Row> file2DF = file2DF.join(file1DF, file1DF("BILL_NBR","BILL_NBR_TYPE_CD"));

注意：我没有资源来运行上面的代码来测试它。如果您遇到任何编译时或运行时错误，请告诉我。