PySpark：根据来自另一个数据框的日期范围过滤数据

Question

如果位于和之间，我试图从df1 中选择记录（仅允许三个范围的 date2、date3 组合、逐行）。df1.date1df2.date2df2.date3就我而言，没有共同的变量来建立“加入”标准。我尝试了不同的 pyspark.sql 函数，例如 'filter'、'when'、'withColumn'、'date_sub'、'date_add' 等，但无法找到解决方案。我确实浏览了几篇 SO 帖子，但是，他们中的大多数建议使用“加入”，这可能不适合我的问题！df1+----------+-----------+|  emp_id  |   date1   |+----------+-----------+|   67891  | 11-13-2015||   12345  | 02-28-2017||   34567  | 04-07-2017|+----------+-----------+df2+------------+------------+|  date2     |   date3    |+------------+------------+|01-28-2017  | 03-15-2017 ||07-13-2017  | 11-13-2017 ||06-07-2018  | 09-07-2018 |+------------+------------+预期记录：+----------+-----------+|  emp_id  |   date1   |+----------+-----------+|   12345  | 02-28-2017|+----------+-----------+

Answer 1

您可以在 spark 中进行非对等连接。您不一定需要匹配的键。

这是在scala中，我很确定它在python中几乎相同。让我知道它是否不起作用。也会更新 pyspark 中的答案。

scala> df1.join(df2 , 'date1 > 'date2 && 'date1 < 'date3).show

    +------+----------+----------+----------+

    |emp_id|     date1|     date2|     date3|

    +------+----------+----------+----------+

    | 12345|02-28-2017|01-28-2017|03-15-2017|

    +------+----------+----------+----------+

Pyspark 解决方案：

>>> from pyspark.sql.functions import unix_timestamp

>>> from pyspark.sql.functions import from_unixtime

>>> x = [(67891 ,'11-13-2015'),(12345, '02-28-2017'),(34567,'04-07-2017')]

>>> df1 = spark.createDataFrame(x,['emp_id','date1'])

>>> y = [('01-28-2017','03-15-2017'),('07-13-2017','11-13-2017'),('06-07-2018','09-07-2018')]

>>> df2 = spark.createDataFrame(y,['date2','date3'])

>>> df1a = df1.select('emp_id', from_unixtime(unix_timestamp('date1', 'MM-dd-yyy')).alias('date1'))

>>> df2a = df2.select(from_unixtime(unix_timestamp('date2', 'MM-dd-yyy')).alias('date2'),from_unixtime(unix_timestamp('date3', 'MM-dd-yyy')).alias('date3'))

>>> df1a.join(df2a, on=[df1a['date1'] > df2a['date2'], df1a['date1'] < df2a['date3']]).show()

+------+-------------------+-------------------+-------------------+

|emp_id|              date1|              date2|              date3|

+------+-------------------+-------------------+-------------------+

| 12345|2017-02-28 00:00:00|2017-01-28 00:00:00|2017-03-15 00:00:00|

+------+-------------------+-------------------+-------------------+