Pyspark 通过使用另一列中的值替换 Spark 数据框列中的字符串

Posted 2023-04-15

【中文标题】Pyspark 通过使用另一列中的值替换 Spark 数据框列中的字符串

【英文标题】：Pyspark replace strings in Spark dataframe column by using values in another column

【发布时间】：2018-02-20 00:55:46

【问题描述】：

我想通过从另一列创建搜索字符串来替换列中存在的值

之前 id address st 1 2.PA1234.la 1234 2 10.PA125.la 125 3 2.PA156.ln 156 后 id address st 1 2.PA9999.la 1234 2 10.PA9999.la 125 3 2.PA9999.ln 156 我试过了

df.withColumn("address", regexp_replace("address","PA"+st,"PA9999"))
df.withColumn("address",regexp_replace("address","PA"+df.st,"PA9999")

两个接缝都失败了

TypeError: 'Column' object is not callable

可能类似于 Pyspark replace strings in Spark dataframe column

【问题讨论】：

正则表达式：(?<=PA)[^\.]+，替换：9999

非常感谢@S.Jovan，它按预期工作:)

【参考方案1】：

您也可以使用 spark udf。

当您需要使用另一列中的值修改数据框条目时，可能会应用该解决方案：

from pyspark.sql.functions import udf
from pyspark.sql.types import StringType

pd_input = pd.DataFrame('address': ['2.PA1234.la','10.PA125.la','2.PA156.ln'],
             'st':['1234','125','156'])

spark_df = sparkSession.createDataFrame(pd_input)


replace_udf = udf(lambda address, st: address.replace(st,'9999'), StringType())

spark_df.withColumn('adress_new',replace_udf(col('address'),col('st'))).show()

输出：

+-----------+----+------------+
|     adress|  st|  adress_new|
+-----------+----+------------+
|2.PA1234.la|1234| 2.PA9999.la|
|10.PA125.la| 125|10.PA9999.la|
| 2.PA156.ln| 156| 2.PA9999.ln|
+-----------+----+------------+