我知道如何实现它,但我想(或者至少我希望)有一种更简单,更少样板的方法来做同样的事情。
场景:
Employee
+-------+---+------------+
| NAME|AGE|COMPANY_CODE|
+-------+---+------------+
| John| 41| 1|
| Mary| 34| 1|
| Chris| 32| 2|
|Phillip| 22| 2|
| Tony| 44| 1|
+-------+---+------------+
Company
+----+---------+
|CODE| NAME|
+----+---------+
| 1|Company-1|
| 2|Company-2|
| 3|Company-3|
+----+---------+
我的目标是通过employee.company_code和company_code连接两个表,并将employee.name显示为NAME,employee.age显示为AGE,将company.name显示为COMPANY_NAME(这是技巧部分)
// company columns
final Column companyCode = companyDataSet.col("CODE");
// employee columns
final Column employeeCompanyCode = employeeDataSet.col("COMPANY_CODE");
Dataset<Row> join = employeeDataSet.join(companyDataSet, employeeCompanyCode.equalTo(companyCode));
join = join.drop(companyCode).drop(employeeCompanyCode);
打印连接数据框,现在我们得到:
+-------+---+---------+
| NAME|AGE| NAME|
+-------+---+---------+
| John| 41|Company-1|
| Mary| 34|Company-1|
| Chris| 32|Company-2|
|Phillip| 22|Company-2|
| Tony| 44|Company-1|
+-------+---+---------+
我不能使用withColumnRenamed方法(join.withColumnRenamed(“NAME”,“COMPANY_NAME”),因为我有两列名为NAME,两者都将被重命名
我发现这样做的唯一方法是定义我想要显示的所有列,将所有列传递给select数据集方法,然后根据需要重命名列:
final Column companyName = companyDataSet.col("NAME");
final Column employeeName = employeeDataSet.col("NAME");
final Column employeeAge = employeeDataSet.col("AGE");
join = join.select(employeeName, employeeAge, companyName.alias("COMPANY_NAME"));
+-------+---+------------+
| NAME|AGE|COMPANY_NAME|
+-------+---+------------+
| John| 41| Company-1|
| Mary| 34| Company-1|
| Chris| 32| Company-2|
|Phillip| 22| Company-2|
| Tony| 44| Company-1|
+-------+---+------------+
在这种特定的情况下,定义我想要选择的所有列并不是什么大问题,因为它们只是几列,但想象在具有一列列的表中。由于一个可怜的列重命名而定义大量列太痛苦了。
知道如何避免这种情况吗?
你应该能够做到:
join = join.withColumnRenamed(companyDataSet.col("NAME"), "COMPANY_NAME")
这会解决你的问题吗?
一种方法是将它们注册为临时表并编写SQL?
employee.createOrReplaceTempView(emp)
company.createOrReplaceTempView(comp)
spark.sql("select t1.Name as Name, t1.Age as Age, t2.Name as Company_Name
from
emp t1 join comp t2
on
t1.id = t2.id")
我发现了一个简单的解决方案,而不是像我认为的数据集.withColumnRenamed接受一个列作为第一个参数,但它比仅包含所有列更好,因为一个列重命名。
在加入employeeDataSet之前,只需从companyDataSet重命名列NAME:
companyDataSet = companyDataSet.withColumnRenamed("NAME", "COMPANY_NAME");