apache-spark - 您可以将一个 Spark Dataframe 嵌套在另一个 Dataframe 中吗？

Question

在 spark 中，我希望能够并行处理多个数据帧。

我正在尝试的方法是将数据帧嵌套在父数据帧中，但我不确定语法或是否可能。

例如，我有以下 2 个数据帧:df1:

+-----------+---------+--------------------+------+
|id         |asset_id |                date|  text|
+-----------+---------+--------------------+------+
|20160629025|       A1|2016-06-30 11:41:...|aaa...|
|20160423007|       A1|2016-04-23 19:40:...|bbb...|
|20160312012|       A2|2016-03-12 19:41:...|ccc...|
|20160617006|       A2|2016-06-17 10:36:...|ddd...|
|20160624001|       A2|2016-06-24 04:39:...|eee...|

df2:

+--------+--------------------+--------------+
|asset_id|      best_date_time|  Other_fields|
+--------+--------------------+--------------+
|      A1|2016-09-28 11:33:...|           abc|
|      A1|2016-06-24 00:00:...|           edf|
|      A1|2016-08-12 00:00:...|           hij|
|      A2|2016-07-01 00:00:...|           klm|
|      A2|2016-07-10 00:00:...|           nop|

所以我想结合这些来产生这样的东西。

+--------+--------------------+-------------------+
|asset_id|                 df1|                df2|
+--------+--------------------+-------------------+
|      A1| [df1 - rows for A1]|[df2 - rows for A1]|
|      A2| [df1 - rows for A2]|[df2 - rows for A2]|

请注意，我不想加入或联合它们，因为那样会非常稀疏(我实际上有大约 30 个数据框和数千个 Assets ，每个 Assets 都有数千行)。

然后我计划对此做一个 groupByKey 以便我得到这样的东西，我可以调用一个函数:

[('A1', <pyspark.resultiterable.ResultIterable object at 0x2534310>), ('A2', <pyspark.resultiterable.ResultIterable object at 0x25d2310>)]

我是 spark 的新手，非常感谢任何帮助。

Answer 1

TL;DR 无法嵌套 DataFrames 但您可以使用复杂类型。

在这种情况下，例如(Spark 2.0 或更高版本):

from pyspark.sql.functions import collect_list, struct

df1_grouped = (df1
    .groupBy("asset_id")
    .agg(collect_list(struct("id", "date", "text"))))

df2_grouped = (df2
    .groupBy("asset_id")
    .agg(collect_list(struct("best_date_time", "Other_fields"))))

df1_grouped.join(df2_grouped, ["asset_id"], "fullouter")

但你必须意识到:

• 它很贵。
• 它的应用有限。一般来说，嵌套结构使用起来很麻烦，并且需要复杂且昂贵的(尤其是在 PySpark 中)UDF。