pyspark - 如何在某些匹配条件下进行LEFT ANTI连接

Question

我有两个表 - 一个是具有一对 ID(PC1 和 P2)的核心数据和一些 blob 数据(P3)。另一条是前表中PC1的黑名单数据。我将第一个表称为 in_df，第二个表称为 blacklist_df。

我想要做的是从 in_df 中删除行，只要 in_df.PC1 == blacklist_df.P1 和 in_df.P2 == black_list_df.B1 即可。这是一个代码片段，用于更明确地展示我想要实现的目标。

in_df = sqlContext.createDataFrame([[1,2,'A'],[2,1,'B'],[3,1,'C'], 
[4,11,'D'],[1,3,'D']],['PC1','P2','P3'])
in_df.show()

+---+---+---+
|PC1| P2| P3|
+---+---+---+
|  1|  2|  A|
|  2|  1|  B|
|  3|  1|  C|
|  4| 11|  D|
|  1|  3|  D|
+---+---+---+

blacklist_df = sqlContext.createDataFrame([[1,2],[2,1]],['P1','B1'])
blacklist_df.show()

+---+---+
| P1| B1|
+---+---+
|  1|  2|
|  2|  1|
+---+---+

最终我想要得到的是以下内容:

+---+--+--+
|PC1|P2|P3|
+---+--+--+
|  1| 3| D|
|  3| 1| C|
|  4|11| D|
+---+--+--+

我尝试了 LEFT_ANTI 加入，但没有成功。

Answer 1

将连接条件作为列表传递给 join 函数，并指定 how='left_anti' 作为连接类型:

in_df.join(
    blacklist_df, 
    [in_df.PC1 == blacklist_df.P1, in_df.P2 == blacklist_df.B1], 
    how='left_anti'
).show()

+---+---+---+
|PC1| P2| P3|
+---+---+---+
|  1|  3|  D|
|  4| 11|  D|
|  3|  1|  C|
+---+---+---+