Table of Contents

• 一. 需求
• 二. 解决方案
• 2.1 数据准备
• 2.2 差集
• 2.3 交集
• 2.4 并集
• 2.5 并集 +去重
• 参考:

一. 需求

我们使用pyspark的Dataframe的时候，经常会遇到求 差集、交集 、并集。
虽然这个需求可以通过Spark SQL来实现，但是如果列比较多，使用Spark SQL实现也是比较麻烦的。

二. 解决方案

2.1 数据准备

代码:

from pyspark.sql import SparkSession

spark = SparkSession. \
        Builder(). \
        appName('local'). \
        master('local'). \
        getOrCreate()

sentenceDataFrame = spark.createDataFrame((
      (1, "asf"),
      (2, "2143"),
      (3, "rfds")
    )).toDF("label", "sentence")

sentenceDataFrame.show()

sentenceDataFrame1 = spark.createDataFrame((
      (1, "asf"),
      (2, "2143"),
      (4, "f8934y")
    )).toDF("label", "sentence")
sentenceDataFrame1.show()

测试记录:

2.2 差集

代码:

#差集    subtract
newDF = sentenceDataFrame.select("sentence").subtract(sentenceDataFrame1.select("sentence"))
newDF.show()

newDF = sentenceDataFrame.subtract(sentenceDataFrame1)
newDF.show()

测试记录:

2.3 交集

代码:

#交集   intersect
newDF_intersect = sentenceDataFrame1.select("sentence").intersect(sentenceDataFrame.select("sentence"))
newDF_intersect.show()

newDF_intersect = sentenceDataFrame1.intersect(sentenceDataFrame)
newDF_intersect.show()

测试记录:

2.4 并集

代码:

#并集  union
newDF_union = sentenceDataFrame.select("sentence").union(sentenceDataFrame1.select("sentence"))
newDF_union.show()

newDF_union = sentenceDataFrame.union(sentenceDataFrame1)
newDF_union.show()

测试记录:

2.5 并集 +去重

代码:

#并集 +去重
newDF_union = sentenceDataFrame.select("sentence").union(sentenceDataFrame1.select("sentence")).distinct()
newDF_union.show()


newDF_union = sentenceDataFrame.union(sentenceDataFrame1).distinct()
newDF_union.show()

测试记录:

参考:

1.https://blog.csdn.net/m0_37442062/article/details/87988751