删除Spark数据帧中具有句点的列名称

Posted 2021-05-01

我在使用具有句点的Spark数据帧中删除列时遇到问题。我知道你需要使用反引号（`）来转义列名。这在我尝试选择列时有效，事实上我已经编写了自己的小静态函数来转义所有列名：

@staticmethod
def escape(columns):
    return ["`" + col + "`" if "." in col else col for col in columns]

然后可以使用它来获取我想要的列列表以供选择：

desired_columns = MySparkClass.escape(
    list(filter(lambda col: re.search('targetRegexStuffHere', col), target_df.columns))
)

filtered_df = df.select(desired_columns)

使用一个简单，可重复的例子：

same = sqlContext.createDataFrame(
    [
        (1, 1, 'A', '2017-01-01'),
        (2, 3, 'B', '2017-01-02'),
        (3, 5, 'A', '2017-01-03'),
        (4, 7, 'B', '2017-01-04')
    ],
    ('index', 'X', 'label.X.L.', 'date')
)

print(same.select('`label.X.L.`').collect())

这里的输出是：

[Row(label.X.L.='A'), Row(label.X.L.='B'), Row(label.X.L.='A'), Row(label.X.L.='B')]

但是，删除反引号导致AnalysisException：

pyspark.sql.utils.AnalysisException: 'syntax error in attribute name: label.X.L.;'

然而，当我试图放弃label.X.L.列时，反引号似乎没有任何区别：

print(same.drop('`label.X.L.`').collect())

输出是

[Row(index=1, X=1, label.X.L.='A', date='2017-01-01'),
 Row(index=2, X=3, label.X.L.='B', date='2017-01-02'),
 Row(index=3, X=5, label.X.L.='A', date='2017-01-03'),
 Row(index=4, X=7, label.X.L.='B', date='2017-01-04')]

删除名称中包含句点的列的正确方法是什么？

答案

用于指定用于select()和drop()的列略有不同的语法。如果select()的列名称中有句点：

same.select('`label.X.L.`') # note the backticks

但是，当您试图放弃时：

same.drop('label.X.L.') # note the absence of the backticks