apache-spark - 比较模式忽略可为空

Question

我正在尝试比较 2 个数据框的模式。
基本上，列和类型是相同的，但“可空”可以不同:

数据框 A

StructType(List(
StructField(ClientId,StringType,True),
StructField(PublicId,StringType,True),
StructField(ExternalIds,ArrayType(StructType(List(
    StructField(AppId,StringType,True),
    StructField(ExtId,StringType,True),
)),True),True),
....

数据框 B

StructType(List(
StructField(ClientId,StringType,True),
StructField(PublicId,StringType,False),
StructField(ExternalIds,ArrayType(StructType(List(
    StructField(AppId,StringType,True),
    StructField(ExtId,StringType,False),
)),True),True),
....

当我这样做时 df_A.schema == df_B.schema , 结果如果 False明显地。
但是我想忽略“nullable”参数，不管是false还是true，如果结构相同，应该返回 True .

是否可以 ？

Answer 1

使用以下两个 DataFrame 架构的示例:

df_A.printSchema()
#root
# |-- ClientId: string (nullable = true)
# |-- PublicId: string (nullable = true)
# |-- PartyType: string (nullable = true)

df_B.printSchema()
#root
# |-- ClientId: string (nullable = true)
# |-- PublicId: string (nullable = true)
# |-- PartyType: string (nullable = false)

并假设字段的顺序相同，您可以访问 name和 dataType模式中的每个字段并将它们压缩以进行比较:

print(
    all(
        (a.name, a.dataType) == (b.name, b.dataType) 
        for a,b in zip(df_A.schema, df_B.schema)
    )
)
#True

如果它们的顺序不同，您可以比较排序的字段:

print(
    all(
        (a.name, a.dataType) == (b.name, b.dataType) 
        for a,b in zip(
            sorted(df_A.schema, key=lambda x: (x.name, x.dataType)), 
            sorted(df_B.schema, key=lambda x: (x.name, x.dataType))
        )
    )
)
#True

如果两个 DataFrame 的列数可能不同，您可以首先比较模式长度作为短路检查 - 如果失败，请不要打扰遍历字段:

print(len(df_A.schema) == len(df_B.schema))
#True