apache-spark - 在 pySpark 上执行连接时出现 "resolved attribute(s) missing"

Question

我有以下两个 pySpark 数据框:

> df_lag_pre.columns
['date','sku','name','country','ccy_code','quantity','usd_price','usd_lag','lag_quantity']

> df_unmatched.columns
['alt_sku', 'alt_lag_quantity', 'country', 'ccy_code', 'name', 'usd_price']

现在我想将它们加入公共(public)列，所以我尝试以下操作:

> df_lag_pre.join(df_unmatched, on=['name','country','ccy_code','usd_price'])

我收到以下错误消息:

AnalysisException: u'resolved attribute(s) price#3424 missing from country#3443,month#801,price#808,category#803,subcategory#804,page#805,date#280,link#809,name#806,quantity#807,ccy_code#3439,sku#3004,day#802 in operator !EvaluatePython PythonUDF#<lambda>(ccy_code#3439,price#3424), pythonUDF#811: string;'

此错误中显示的某些列(例如价格)是另一个数据框的一部分， df_lag 来自该数据框。建于。我找不到有关如何解释此消息的任何信息，因此将不胜感激。

Answer 1

您可以在 pyspark 中以这种方式执行 join，请查看这对您是否有用:

df_lag_pre.alias("df1")
df_unmatched.alias("df2")
join_both = df1.join(df2, (col("df1.name") == col("df2.name")) & (col("df1.country") == col("df2.country")) & (col("df1.ccy_code") == col("df2.ccy_code")) & (col("df1.usd_price") == col("df2.usd_price")), 'inner')

更新:如果您收到 col 未定义错误，请使用以下导入

from pyspark.sql.functions import col