我有一个数据框,其架构如下:
root
|-- key: string (nullable = true)
|-- value: array (nullable = true)
| |-- element: string (containsNull = true)
我想删除值列中数组的每个元素中的第一个空格(如果存在) 从 pyspark.sql.functions 导入 regexp_replace 我认为它会像下面的代码:
df.select(regexp_replace(col("values"), \s*, *)).show()
df:
+---+------------------------+
|key| value|
+---+------------------------+
| k1| [ x1 x2, x3, x4]|
| k2| [x5, x6 x7, x8]|
| k3|[ x9 x10, x11, x12 x13]|
+---+------------------------+
预期结果:
+---+------------------------+
|key| value|
+---+------------------------+
| k1| [x1 x2, x3, x4]|
| k2| [x5, x6 x7, x8]|
| k3| [x9 x10, x11, x12 x13]|
+---+------------------------+
(数组元素前的所有空格必须去掉) 谢谢
最佳答案
使用 posexplode
更新 first space
如果存在。
df.show()
#+---+----------------+
#|key| value|
#+---+----------------+
#| 1| [a b, b c, c d]|
#| 2|[z x, xu, l z u]|
#+---+----------------+
from pyspark.sql.functions import *
df.selectExpr("key","posexplode(value)").withColumn("col",when(col("pos") ==0,regexp_replace(col('col'),' ','').otherwise(col("col")))).show()
#+---+---------------+
#|key| value|
#+---+---------------+
#| 1| [ab, b c, c d]|
#| 2|[zx, xu, l z u]|
#+---+---------------+
对于替换开始处的空格,您可以使用
Spark-2.4+:
#+---+-----------------------+
#|key|value |
#+---+-----------------------+
#|1 |[ a b i, b c, c d]|
#|2 |[ z x u, xu, l z u] |
#+---+-----------------------+
df.selectExpr("transform(value, x -> regexp_replace(x,'^\\\s+','')) as dd").show(10,False)
#+------------------+
#|dd |
#+------------------+
#|[a b i, b c, c d] |
#|[z x u, xu, l z u]|
#+------------------+
For Spark <2.4:
df.selectExpr("key","explode(value)").withColumn("value",regexp_replace(col("col"),"^\\s+",'')).groupBy(col("key")).agg(collect_list(col("value"))).show()
#+---+-------------------+
#|key|collect_list(value)|
#+---+-------------------+
#| 1| [a b i, b c, c d]|
#| 2| [z x u, xu, l z u]|
#+---+-------------------+
关于dataframe - 删除 pyspark 数据框中的空格,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/62601211/