col("col_name")与df.col_name两种列引用方式有什么区别？

以下对比基于PySpark DataFrame的常用场景：

核心共性 #

在单表简单过滤、列名都是合法Python标识符的常规场景下，两种写法的执行逻辑、返回结果、执行性能没有任何差异，仅写法风格不同

核心差异 #

• 绑定逻辑差异
  col('first_name')生成的是不绑定任何具体DataFrame的通用列对象，只要目标DataFrame存在该列就可以使用，同一个列表达式可以复用到多个同结构的DataFrame操作中；df.first_name是和当前df实例强绑定的列对象，仅能用于这个df的相关操作，无法直接复用给其他DataFrame。
• 特殊列名兼容性差异
  如果列名包含空格、特殊字符，或是和DataFrame自带的方法/属性重名（比如列名设置为count、filter这类DataFrame本身就有的方法名），df.列名的点式调用会直接触发语法错误或者逻辑异常，此时只能使用col()函数或者df['列名']的写法完成合法的列引用。
• 链式调用适配差异
  编写无中间临时变量的链式操作时，col()函数不需要依赖中间结果的变量名，写法更简洁流畅。举个实际例子：

# 使用col函数的写法，无需定义中间变量
df.join(other_df, on='user_id').filter(col('first_name').isin([3, 4, 7]))

# 使用df.列名的写法，必须先把join的结果赋值给新变量才能正常引用列
joined_df = df.join(other_df, on='user_id')
result = joined_df.filter(joined_df.first_name.isin([3, 4, 7]))

• 多表操作适用性差异
  进行多表关联、联合查询等存在同名列的操作时，col()可以搭配表别名更灵活的完成列引用，不需要提前绑定不同表对应的变量。

内容的提问来源于stack exchange，提问作者N_A