首页
/ Fugue项目教程:深入理解数据连接操作

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:

  1. LEFT OUTER(左外连接)
  2. RIGHT OUTER(右外连接)
  3. CROSS(交叉连接)
  4. LEFT SEMI(左半连接)
  5. LEFT ANTI(左反连接)
  6. INNER(内连接)
  7. 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

  1. 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
  2. 注意NULL处理:根据业务需求理解NULL在连接中的行为
  3. 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
  4. 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

项目优选

收起
kernelkernel
deepin linux kernel
C
22
6
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
197
2.17 K
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
208
285
pytorchpytorch
Ascend Extension for PyTorch
Python
59
94
RuoYi-Vue3RuoYi-Vue3
🎉 (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-entropynop-entropy
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
ops-mathops-math
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
openHiTLSopenHiTLS
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
communitycommunity
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
MateChatMateChat
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