PySpark 之 连接变换 union、intersection、subtract、cartesian

1. pyspark 版本

       2.3.0版本

 

2. 解释

           union()             并集

           intersection()    交集

           subtract()          差集

           cartesian()        笛卡尔
 

union

      官网：

    union(other)[source]

       Return the union of this RDD and another one.

      中文： 返回此RDD和另一个RDD的并集。

>>> rdd = sc.parallelize([1, 1, 2, 3])
>>> rdd.union(rdd).collect()
[1, 1, 2, 3, 1, 1, 2, 3]

      案列1

from pyspark import SparkContext, SparkConf
conf = SparkConf().setMaster("local").setAppName("union")
sc = SparkContext(conf=conf)
x = sc.parallelize(['A','A','B'])
y = sc.parallelize(['D','C','A'])
z = x.union(y)
print(z.collect())

>>> ['A', 'A', 'B', 'D', 'C', 'A']

   案列2

x1 = sc.parallelize(['A','A','B'])
y1 = sc.parallelize([['1', '2'], ['3', '4'], ['5', '6']])
z1 = x1.union(y1)
print(z1.collect())

>>> ['A', 'A', 'B', ['1', '2'], ['3', '4'], ['5', '6']]

 

intersection

      官网

     intersection(other)[source]¶

        Return the intersection of this RDD and another one. The output will not contain any duplicate elements, even if the input RDDs did.

        中文： 返回这个RDD和另一个RDD的交集。即使输入RDDs包含任何重复的元素，输出也不会包含任何重复的元素。

>>> rdd1 = sc.parallelize([1, 10, 2, 3, 4, 5])
>>> rdd2 = sc.parallelize([1, 6, 2, 3, 7, 8])
>>> rdd1.intersection(rdd2).collect()
[1, 2, 3]

案列1

x = sc.parallelize(['A','A','B'])
y = sc.parallelize(['D','C','A'])
# 交集
z = x.intersection(y)
print('x 和 y 的交集是： ', z.collect())

>>> x 和 y 的交集是：  ['A']

案列2

# list中套list失败，套元组就没问题
# x1 = sc.parallelize([["a", 1], ["b", 4], ["a", 3]])
# y1 = sc.parallelize([["a", 3], ["c", None]])
x1 = sc.parallelize([("a", 1), ("b", 4), ("b", 5), ("a", 3)])
y1 = sc.parallelize([("a", 3), ("c", None)])
# 交集
z1 = x1.intersection(y1)
print('x1 和 y1 的交集是： ', z1.collect())

>>> x1 和 y1 的交集是：  [('a', 3)]

 

subtract

    官网

      subtract(other, numPartitions=None)[source]

      Return each value in self that is not contained in other.

     中文： 返回自身未包含在其他值中的每个值。

>>> x = sc.parallelize([("a", 1), ("b", 4), ("b", 5), ("a", 3)])
>>> y = sc.parallelize([("a", 3), ("c", None)])
>>> sorted(x.subtract(y).collect())
[('a', 1), ('b', 4), ('b', 5)]

案列1

x = sc.parallelize(['A','A','B'])
y = sc.parallelize(['D','C','A'])
z = x.subtract(y)
print('x 和 y 的差集是： ', z.collect())

>>> x 和 y 的差集是：  ['B']

案列2

x1 = sc.parallelize([("a", 1), ("b", 4), ("a", 3)])
y1 = sc.parallelize([("a", 3), ("c", None)])
# 差集
z1 = x1.subtract(y1)
print('x1 和 y1 的差集是： ', z1.collect())

>>> x1 和 y1 的差集是：  [('a', 1), ('b', 4)]

 

cartesian

    官网

   cartesian(other)[source]¶

      Return the Cartesian product of this RDD and another one, that is, the RDD of all pairs of elements (a, b) where a is in self and b is in other.

      中文：返回这个RDD和另一个RDD的笛卡尔积，即所有对元素(a, b)的RDD，其中a在self中，b在other中。

>>> rdd = sc.parallelize([1, 2])
>>> sorted(rdd.cartesian(rdd).collect())
[(1, 1), (1, 2), (2, 1), (2, 2)]

案列1

x = sc.parallelize(['A','A','B'])
y = sc.parallelize(['D','C','A'])
# 笛卡尔
z = x.cartesian(y)
print('x 和 y 的笛卡尔是： ', z.collect())

>>> x 和 y 的笛卡尔是：  [('A', 'D'), ('A', 'C'), ('A', 'A'), ('A', 'D'), ('A', 'C'), ('A', 'A'), ('B', 'D'), ('B', 'C'), ('B', 'A')]

案列2

x1 = sc.parallelize([("a", 1), ("b", 4), ("a", 3)])
y1 = sc.parallelize([("a", 3), ("c", None)])
# 笛卡尔
z1 = x1.cartesian(y1)
print('x1 和 y1 的笛卡尔是： ', z1.collect())

>>> x1 和 y1 的笛卡尔是：  [(('a', 1), ('a', 3)), (('a', 1), ('c', None)), (('b', 4), ('a', 3)), (('b', 4), ('c', None)), (('a', 3), ('a', 3)), (('a', 3), ('c', None))]