Fugue项目教程:深入理解数据连接操作
2025-06-10 07:15:30作者:盛欣凯Ernestine
引言
在数据处理领域,数据连接(Join)是最基础也是最关键的操作之一。Fugue作为一个分布式计算框架抽象层,提供了跨引擎的统一数据连接接口。本文将全面介绍Fugue中的各种连接操作,帮助读者掌握在不同计算引擎下执行数据连接的方法。
连接类型概述
Fugue支持以下七种标准连接类型:
- LEFT OUTER(左外连接)
- RIGHT OUTER(右外连接)
- CROSS(交叉连接)
- LEFT SEMI(左半连接)
- LEFT ANTI(左反连接)
- INNER(内连接)
- FULL OUTER(全外连接)
基本连接操作
列名冲突处理
在实际工作中,经常遇到连接的两个DataFrame存在同名列的情况。Fugue提供了rename()
函数来解决这个问题:
import pandas as pd
import fugue.api as fa
df1 = pd.DataFrame({"id": ["a","b"], "val1": [1,2]})
df2 = pd.DataFrame({"id": ["a","b"], "val1": [2,3]})
# 使用rename解决列名冲突
result = fa.join(
df1,
fa.rename(df2, {"val1":"val2"}),
how="left_outer",
on=["id"]
)
多引擎支持
Fugue的强大之处在于可以指定不同的计算引擎执行相同的操作。例如使用Dask引擎:
# 使用Dask引擎执行连接
res = fa.join(
df1,
fa.rename(df2, {"val1":"val2"}),
how="left_outer",
on=["id"],
engine="dask"
)
# Dask执行是惰性的,需要调用compute()
res.compute().head()
或者使用上下文管理器指定引擎:
with fa.engine_context("dask"):
res = fa.join(df1, fa.rename(df2, {"val1":"val2"}), how="left_outer", on=["id"])
fa.show(res)
SQL与Pandas连接行为差异
NULL值处理
在处理NULL值时,SQL和Pandas有显著差异。Fugue遵循SQL标准:
df1 = pd.DataFrame({'a': [None, "a"], 'b': [1, 2]})
df2 = pd.DataFrame({'a': [None, "a"], 'b': [1, 2]})
# Pandas行为:保留NULL行
print(df1.merge(df2, how="inner", on=["a", "b"]))
# Fugue行为(SQL标准):排除NULL行
print(fa.join(df1, df2, how="inner", on=["a","b"]))
多表连接
Fugue支持一次性连接多个DataFrame,前提是它们没有列名冲突:
df1 = pd.DataFrame({"a": [1], "b": [2]})
df2 = pd.DataFrame({"a": [1], "c": [3]})
df3 = pd.DataFrame({"a": [1], "d": [4]})
df4 = pd.DataFrame({"a": [1], "e": [5]})
# 多表连接
fa.join(df1, df2, df3, df4, how="inner", on=["a"])
集合操作
除了连接,Fugue还支持标准的集合操作:
1. 并集(UNION)
df1 = pd.DataFrame({"a": [0,1], "b": [1,2]})
df2 = pd.DataFrame({"a": [0,0,1], "b": [1,1,2]})
# 默认去重
fa.union(df1, df2)
# 保留所有记录
fa.union(df1, df2, distinct=False)
2. 交集(INTERSECT)
# 获取两个DataFrame共有的记录
fa.intersect(df1, df2)
3. 差集(SUBTRACT)
# 获取df1中有而df2中没有的记录
fa.subtract(df1, df2)
最佳实践建议
- 明确指定连接列:虽然Fugue可以推断连接列,但显式指定
on
参数更安全 - 注意NULL处理:根据业务需求理解NULL在连接中的行为
- 利用引擎上下文:对于多个操作使用相同引擎时,
engine_context
可以提高代码可读性 - 处理列名冲突:使用
rename()
提前解决潜在的列名冲突问题
总结
Fugue提供了一套统一的API来处理各种数据连接和集合操作,这些操作可以在Pandas、Spark、Dask等不同引擎上执行。通过本文的介绍,读者应该能够:
- 理解Fugue支持的各种连接类型
- 掌握处理列名冲突的方法
- 了解在不同计算引擎上执行连接操作的方式
- 认识SQL与Pandas在连接行为上的差异
- 使用集合操作进行数据整合
这些功能使得Fugue成为跨引擎数据处理的有力工具,特别是在需要灵活切换执行环境的场景下。
登录后查看全文
热门项目推荐
HunyuanImage-3.0
HunyuanImage-3.0 统一多模态理解与生成,基于自回归框架,实现文本生成图像,性能媲美或超越领先闭源模型00- DDeepSeek-V3.2-ExpDeepSeek-V3.2-Exp是DeepSeek推出的实验性模型,基于V3.1-Terminus架构,创新引入DeepSeek Sparse Attention稀疏注意力机制,在保持模型输出质量的同时,大幅提升长文本场景下的训练与推理效率。该模型在MMLU-Pro、GPQA-Diamond等多领域公开基准测试中表现与V3.1-Terminus相当,支持HuggingFace、SGLang、vLLM等多种本地运行方式,开源内核设计便于研究,采用MIT许可证。【此简介由AI生成】Python00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~0369Hunyuan3D-Part
腾讯混元3D-Part00ops-transformer
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。C++095AI内容魔方
AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。02Spark-Chemistry-X1-13B
科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile09
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
热门内容推荐
1 freeCodeCamp JavaScript高阶函数中的对象引用陷阱解析2 freeCodeCamp音乐播放器项目中的函数调用问题解析3 freeCodeCamp全栈开发课程中React组件导出方式的衔接问题分析4 freeCodeCamp英语课程视频测验选项与提示不匹配问题分析5 freeCodeCamp课程视频测验中的Tab键导航问题解析6 freeCodeCamp课程中屏幕放大器知识点优化分析7 freeCodeCamp Cafe Menu项目中link元素的void特性解析8 freeCodeCamp英语课程填空题提示缺失问题分析9 freeCodeCamp 课程中关于角色与职责描述的语法优化建议 10 freeCodeCamp全栈开发课程中测验游戏项目的参数顺序问题解析
最新内容推荐
ReportMachine.v7.0D5-XE10:Delphi报表生成利器深度解析与实战指南 Jetson TX2开发板官方资源完全指南:从入门到精通 WebVideoDownloader:高效网页视频抓取工具全面使用指南 瀚高迁移工具migration-4.1.4:企业级数据库迁移的智能解决方案 Photoshop作业资源文件下载指南:全面提升设计学习效率的必备素材库 TextAnimator for Unity:打造专业级文字动画效果的终极解决方案 Python开发者的macOS终极指南:VSCode安装配置全攻略 32位ECC纠错Verilog代码:提升FPGA系统可靠性的关键技术方案 高效汇编代码注入器:跨平台x86/x64架构的终极解决方案 Solidcam后处理文件下载与使用完全指南:提升CNC编程效率的必备资源
项目优选
收起

deepin linux kernel
C
22
6

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
197
2.17 K

React Native鸿蒙化仓库
C++
208
285

Ascend Extension for PyTorch
Python
59
94

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
973
574

Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1

本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
549
81

旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.02 K
399

本项目是CANN开源社区的核心管理仓库,包含社区的治理章程、治理组织、通用操作指引及流程规范等基础信息
393
27

前端智能化场景解决方案UI库,轻松构建你的AI应用,我们将持续完善更新,欢迎你的使用与建议。
官网地址:https://matechat.gitcode.com
1.2 K
133