python-2.7 - Pyspark 按另一个数据帧的列过滤数据帧

Question

不知道为什么我在这方面遇到了困难，考虑到在 R 或 pandas 中相当容易做到，它看起来很简单。不过，我想避免使用 pandas，因为我正在处理大量数据，并且我相信 toPandas() 会将所有数据加载到 pyspark 中的驱动程序内存中。

我有 2 个数据帧:df1 和 df2。我想过滤 df1(删除所有行)，其中 df1.userid = df2.userid AND df1.group = df2.group。我不确定是否应该使用 filter()、join() 或 sql 例如:

df1:
+------+----------+--------------------+
|userid|   group  |      all_picks     |
+------+----------+--------------------+
|   348|         2|[225, 2235, 2225]   |
|   567|         1|[1110, 1150]        |
|   595|         1|[1150, 1150, 1150]  |
|   580|         2|[2240, 2225]        |
|   448|         1|[1130]              |
+------+----------+--------------------+

df2:
+------+----------+---------+
|userid|   group  |   pick  |
+------+----------+---------+
|   348|         2|     2270|
|   595|         1|     2125|
+------+----------+---------+

Result I want:
+------+----------+--------------------+
|userid|   group  |      all_picks     |
+------+----------+--------------------+
|   567|         1|[1110, 1150]        |
|   580|         2|[2240, 2225]        |
|   448|         1|[1130]              |
+------+----------+--------------------+

编辑:我尝试过很多 join() 和 filter() 函数，我相信我得到的最接近的是:

cond = [df1.userid == df2.userid, df2.group == df2.group]
df1.join(df2, cond, 'left_outer').select(df1.userid, df1.group, df1.all_picks) # Result has 7 rows

我尝试了很多不同的连接类型，也尝试了不同的

cond values:
    cond = ((df1.userid == df2.userid) & (df2.group == df2.group)) # result has 7 rows
    cond = ((df1.userid != df2.userid) & (df2.group != df2.group)) # result has 2 rows

但是，连接似乎是添加额外的行，而不是删除。

我正在使用 python 2.7 和 spark 2.1.0

Answer 1

左反连接是您正在寻找的:

df1.join(df2, ["userid", "group"], "leftanti")

但是使用左外连接可以完成同样的事情:

(df1
    .join(df2, ["userid", "group"], "leftouter")
    .where(df2["pick"].isNull())
    .drop(df2["pick"]))