Pyspark：提取值包含字符串的数据帧的行

Posted 2023-04-15

【中文标题】Pyspark：提取值包含字符串的数据帧的行

【英文标题】：Pyspark: Extracting rows of a dataframe where value contains a string of characters

【发布时间】：2020-11-28 07:46:44

【问题描述】：

我正在使用 pyspark，我有一个大数据框，其中只有一列值，其中每一行都是一长串字符：

col1
-------
'2020-11-20;id09;150.09,-20.02'
'2020-11-20;id44;151.78,-25.14'
'2020-11-20;id78;148.24,-22.67'
'2020-11-20;id55;149.77,-27.89'
...
...
...

我正在尝试提取“idxx”匹配字符串列表的数据帧行，例如 [“id01”、“id02”、“id22”、“id77”、...]。目前，我从数据框中提取行的方式是：

df.filter(df.col1.contains("id01") | df.col1.contains("id02") | df.col1.contains("id22") | ... )

有没有一种方法可以提高效率，而不必将每个字符串项都硬编码到过滤器函数中？

【参考方案1】：

尝试在 pyspark 中使用 .rlike 运算符。

Example:

df.show(10,False)
#+-----------------------------+
#|col1                         |
#+-----------------------------+
#|2020-11-20;id09;150.09,-20.02|
#|2020-11-20;id44;151.78,-25.14|
#|2020-11-20;id78;148.24,-22.67|
#+-----------------------------+

#(id09|id78) match either id09 or id78
#for your case use this df.filter(col("col1").rlike('(id01|id02|id22)')).show(10,False)

df.filter(col("col1").rlike('(id09|id78)')).show(10,False)
#+-----------------------------+
#|col1                         |
#+-----------------------------+
#|2020-11-20;id09;150.09,-20.02|
#|2020-11-20;id78;148.24,-22.67|
#+-----------------------------+

【参考方案2】：

from functools import reduce
from operator import or_

str_list = ["id01", "id02", "id22", "id77"]
df.filter(reduce(or_, [df.col1.contains(s) for s in str_list]))