如何执行“查找”关于星火dataframes给出多个条件

问题描述：

我在星火新手操作（我的版本是1.6.0），现在我试图解决如下问题：如何执行“查找”关于星火dataframes给出多个条件

假设有是两个源文件：

第一个（简称A）是一个大的包含名为A1，B1，C1和其他80列的列。里面有23万条记录。
第二个（简称B）是一个小查找表，其中包含名为A2，B2，C2和D2的列。里面有250条记录。

现在我们需要插入一个新的柱分为A，下面给出的逻辑：

第一查找A1，B1和（对应列是A2，B2和C2）C1在B，如果成功的，返回D2作为新添加的列的值。如果没有发现...
然后在B中查找A1，B1。如果成功，则返回D2。如果没有发现任何...
设置默认值“NA”

我已经阅读文件和它们改建为数据帧。对于第一种情况，我通过将左边的外部结合在一起得到了结果。但我在下一步找不到好的方法。

我目前的尝试是通过使用不太严格的条件连接A和B来构建新的数据帧。但我不知道如何从另一个更新当前数据帧。或者还有其他更直观，更有效的方法来解决整个问题吗？

感谢您的所有答案。

----------------------------- 20160309更新-------------- ------------------

最后接受@mlk的答案。还是非常感谢@ zero323对UDF和加入的评论，钨代码的生成实际上是我们现在面临的另一个问题。但是，因为我们需要为每一个查询做查询的分数和平均4个条件，前者的解决方案更适合...

最终的解决方案是某种看起来像下面片段：

``` 
import sqlContext.implicits._ 
import com.github.marklister.collections.io._ 

case class TableType(A: String, B: String, C: String, D: String) 
val tableBroadcast = sparkContext.broadcast(CsvParser(TableType).parseFile("...")) 
val lkupD = udf { 
    (aStr: String, bStr: String, cStr: String) => 
    tableBroadcast.value.find { 
     case TableType(a, b, c, _) => 
     (a == aStr && b == bStr && c == cStr) || 
     (a == aStr && b == bStr) 
    }.getOrElse(TableType("", "", "", "NA")).D 
} 
df = df.withColumn("NEW_COL", lkupD($"A", $"B", $"C")) 
```

答

由于B是小我认为做到这一点的最佳方式是广播变量和用户定义的功能。

// However you get the data... 
case class BType(A2: Int, B2: Int, C2 : Int, D2 : String) 
val B = Seq(BType(1,1,1,"B111"), BType(1,1,2, "B112"), BType(2,0,0, "B200")) 

val A = sc.parallelize(Seq((1,1,1, "DATA"), (1,1,2, "DATA"), (2, 0, 0, "DATA"), (2, 0, 1, "NONE"), (3, 0, 0, "NONE"))).toDF("A1", "B1", "C1", "OTHER") 


// Broadcast B so all nodes have a copy of it. 
val Bbradcast = sc.broadcast(B) 

// A user defined function to find the value for D2. This I'm sure could be improved by whacking it into maps. But this is a small example. 
val findD = udf {(a: Int, b : Int, c: Int) => Bbradcast.value.find(x => x.A2 == a && x.B2 == b && x.C2 == c).getOrElse(Bbradcast.value.find(x => x.A2 == a && x.B2 == b).getOrElse(BType(0,0,0,"NA"))).D2 } 

// Use the UDF in a select 
A.select($"A1", $"B1", $"C1", $"OTHER", findD($"A1", $"B1", $"C1").as("D")).show

这可能是要走的路。我也用'连接'提供了一个替代解决方案。 – zero323

谢谢mlk。如果查找表很大（500K * 50），播放它还是不错的？ –

我的另一个问题是，假设我需要在不同的列上进行30次查找，并编写50个UDF，性能是否会受到影响？ –

答

只是为了参考，而不UDF的一个解决方案：

val b1 = broadcast(b.toDF("A2_1", "B2_1", "C2_1", "D_1")) 
val b2 = broadcast(b.toDF("A2_2", "B2_2", "C2_2", "D_2")) 

// Match A, B and C 
val expr1 = ($"A1" === $"A2_1") && ($"B1" === $"B2_1") && ($"C1" === $"C2_1") 
// Match A and B mismatch C 
val expr2 = ($"A1" === $"A2_2") && ($"B1" === $"B2_2") && ($"C1" !== $"C2_2") 

val toDrop = b1.columns ++ b2.columns 

toDrop.foldLeft(a 
    .join(b1, expr1, "leftouter") 
    .join(b2, expr2, "leftouter") 
    // If there is match on A, B, C then D_1 should be not NULL 
    // otherwise we fall-back to D_2 
    .withColumn("D", coalesce($"D_1", $"D_2")) 
)((df, c) => df.drop(c))

这假设有在每个类别至多一个匹配（所有三列，或前两个）或重复的行中的输出是期望。

UDF VS JOIN：

有多种因素需要考虑，并没有简单的答案在这里：

缺点：

广播joins需要传递数据的两倍到工人节点。至于broadcasted表格没有被缓存（SPARK-3863），并且不可能在最近的将来改变（Resolution：Later）。
join即使有完全匹配，操作也会应用两次。

优点：

join3210和是透明的优化而UDF是不。
直接使用SQL表达式操作可以受益于所有的Tungsten优化，包括代码生成，而UDF不能。

如何执行“查找”关于星火dataframes给出多个条件

相关推荐