Pyspark按另一个数据帧的列筛选数据帧

Question

不知道为什么我在这方面遇到困难，考虑到在R或Panda中做这件事相当容易，这似乎很简单。不过，我想避免使用panda，因为我要处理大量数据，而且我相信toPandas()会将所有数据加载到pyspark中的驱动程序内存中。

我有两个数据帧：df1和df2。我想过滤df1(删除所有行)，其中df1.userid = df2.userid和df1.group = df2.group。我不确定是否应该使用filter()、join()或sql例如：

df1:
+------+----------+--------------------+
|userid|   group  |      all_picks     |
+------+----------+--------------------+
|   348|         2|[225, 2235, 2225]   |
|   567|         1|[1110, 1150]        |
|   595|         1|[1150, 1150, 1150]  |
|   580|         2|[2240, 2225]        |
|   448|         1|[1130]              |
+------+----------+--------------------+
df2:
+------+----------+---------+
|userid|   group  |   pick  |
+------+----------+---------+
|   348|         2|     2270|
|   595|         1|     2125|
+------+----------+---------+
Result I want:
+------+----------+--------------------+
|userid|   group  |      all_picks     |
+------+----------+--------------------+
|   567|         1|[1110, 1150]        |
|   580|         2|[2240, 2225]        |
|   448|         1|[1130]              |
+------+----------+--------------------+

编辑：我试过很多join()和filter()函数，我相信我得到的最接近的是：

cond = [df1.userid == df2.userid, df2.group == df2.group]
df1.join(df2, cond, 'left_outer').select(df1.userid, df1.group, df1.all_picks) # Result has 7 rows

我尝试了很多不同的连接类型，也尝试了不同的

cond values:
cond = ((df1.userid == df2.userid) & (df2.group == df2.group)) # result has 7 rows
cond = ((df1.userid != df2.userid) & (df2.group != df2.group)) # result has 2 rows

然而，联接似乎是在添加额外的行，而不是删除。

我正在使用python 2.7和spark 2.1.0

Answer 1

左反联接是您想要的：

df1.join(df2, ["userid", "group"], "leftanti")

但左外连接也可以做同样的事情：

(df1
.join(df2, ["userid", "group"], "leftouter")
.where(df2["pick"].isNull())
.drop(df2["pick"]))