我相信实现这一目标的最好方法是改变其中的每一个 key 将列转换为大写或小写（可能创建新列或仅对其应用转换），然后应用联接。

它并不十分优雅，但您可以为这些列创建新的小写版本，只用于连接。

import pyspark.sql.functions as F
df1_l = df1 \
    .withColumn("col1_l", F.lower(df1.col1)) \
    .withColumn("col2_l", F.lower(df1.col2)) \
    .withColumn("col3_l"), F.lower(df1.col3)

df2_l = df2 \
    .withColumn("col1_l", F.lower(df2.col1)) \
    .withColumn("col2_l", F.lower(df2.col2)) \
    .withColumn("col3_l"), F.lower(df2.col3)

df3 = df1_l.join(df2_l, 
           ["col1_l", "col2_l", "col3_l"],
           "left_outer")

你也可以尝试在连接 predicate 中做同样的转换，例如：

df3 = df1.join(df2, 
           (F.lower(df1.col1) == F.lower(df2.col1))
            & (F.lower(df1.col2) == F.lower(df2.col2))
            & (F.lower(df1.col3) == F.lower(df2.col3))
           "left_outer")

我这样做：x=y.join（z，lower（y.userid）==lower（z.userid））

好吧，据我所知，除了一些准备步骤，别无选择。最后我是这样做的：

from pyspark.sql.functions import udf

# udf ----------------------------

def upper(string):
    return string.upper()

upper = udf(upper)

# run ----------------------------

df1 =df1.select(df1.upper('col1'),df1.upper('col2'),df1.upper('col3'))
df2 =df2.select(df2.upper('col1'),df2.upper('col2'),df2.upper('col3'))

# join ---------------------------

df3 = df1.join(df2,["col1", "col2", "col3"])