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
- QQwen3-Next-80B-A3B-InstructQwen3-Next-80B-A3B-Instruct 是一款支持超长上下文(最高 256K tokens)、具备高效推理与卓越性能的指令微调大模型00
- QQwen3-Next-80B-A3B-ThinkingQwen3-Next-80B-A3B-Thinking 在复杂推理和强化学习任务中超越 30B–32B 同类模型,并在多项基准测试中优于 Gemini-2.5-Flash-Thinking00
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~0265cinatra
c++20实现的跨平台、header only、跨平台的高性能http库。C++00AI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。02- HHunyuan-MT-7B腾讯混元翻译模型主要支持33种语言间的互译,包括中国五种少数民族语言。00
GOT-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).Dockerfile06
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
热门内容推荐
最新内容推荐
项目优选
收起

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
139
1.91 K

deepin linux kernel
C
22
6

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
8
0

React Native鸿蒙化仓库
C++
192
273

🎉 (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
923
551

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
421
392

openGauss kernel ~ openGauss is an open source relational database management system
C++
145
189

为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Jupyter Notebook
74
64

本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
344
1.3 K

Elasticsearch
国内Top1 elasticsearch搜索引擎框架es ORM框架,索引全自动智能托管,如丝般顺滑,与Mybatis-plus一致的API,屏蔽语言差异,开发者只需要会MySQL语法即可完成对Es的相关操作,零额外学习成本.底层采用RestHighLevelClient,兼具低码,易用,易拓展等特性,支持es独有的高亮,权重,分词,Geo,嵌套,父子类型等功能...
Java
36
8