我有一个largeDataFrame(多列和数十亿行)和一个smallDataFrame(单列和10,000行)。

每当largeDataFrame中的some_identifier列与largeDataFrame中的行之一匹配时,我都希望从smallDataFrame中过滤所有行。

这是一个例子:

largeDataFrame

some_idenfitier,first_name
111,bob
123,phil
222,mary
456,sue

smallDataFrame
some_identifier
123
456

期望的输出
111,bob
222,mary

这是我的丑陋解决方案。
val smallDataFrame2 = smallDataFrame.withColumn("is_bad", lit("bad_row"))
val desiredOutput = largeDataFrame.join(broadcast(smallDataFrame2), Seq("some_identifier"), "left").filter($"is_bad".isNull).drop("is_bad")

有没有更清洁的解决方案?

最佳答案

在这种情况下,您需要使用left_anti连接。

左反连接与左半连接相反。

它根据给定的键从左表的右表中筛选出数据:

largeDataFrame
   .join(smallDataFrame, Seq("some_identifier"),"left_anti")
   .show
// +---------------+----------+
// |some_identifier|first_name|
// +---------------+----------+
// |            222|      mary|
// |            111|       bob|
// +---------------+----------+

09-28 07:33