PySpark：將DataFrame列的值與另一個DataFrame列相匹配

Question

在Pandas DataFrame中，我可以使用DataFrame.isin()函數將列值與另一列進行匹配。

例如： 假設我們有一個數據幀：

df_A = pd.DataFrame({'col1': ['A', 'B', 'C', 'B', 'C', 'D'], 
        'col2': [1, 2, 3, 4, 5, 6]}) 
df_A 

    col1 col2 
0 A  1 
1 B  2 
2 C  3 
3 B  4 
4 C  5 
5 D  6   

，另一個數據框：

df_B = pd.DataFrame({'col1': ['C', 'E', 'D', 'C', 'F', 'G', 'H'], 
        'col2': [10, 20, 30, 40, 50, 60, 70]}) 
df_B 

    col1 col2 
0 C 10 
1 E 20 
2 D 30 
3 C 40 
4 F 50 
5 G 60 
6 H 70  

我可以使用.isin()功能來匹配的df_A列值df_B列值

例如：

個

df_B[df_B['col1'].isin(df_A['col1'])] 

產量：

col1 col2 
0 C 10 
2 D 30 
3 C 40 

是什麼在PySpark數據幀等效操作？

df_A = pd.DataFrame({'col1': ['A', 'B', 'C', 'B', 'C', 'D'], 
        'col2': [1, 2, 3, 4, 5, 6]}) 
df_A = sqlContext.createDataFrame(df_A) 

df_B = pd.DataFrame({'col1': ['C', 'E', 'D', 'C', 'F', 'G', 'H'], 
        'col2': [10, 20, 30, 40, 50, 60, 70]}) 
df_B = sqlContext.createDataFrame(df_B) 


df_B[df_B['col1'].isin(df_A['col1'])] 

上面的.isin()代碼給我一個錯誤信息：

u'resolved attribute(s) col1#9007 missing from 
col1#9012,col2#9013L in operator !Filter col1#9012 IN 
(col1#9007);;\n!Filter col1#9012 IN (col1#9007)\n+- 
LogicalRDD [col1#9012, col2#9013L]\n' 

Answer 1

這種操作稱爲左半加入火花：

df_B.join(df_A, ['col1'], 'leftsemi')