如何从字符串列中提取数字?
Posted
技术标签:
【中文标题】如何从字符串列中提取数字?【英文标题】:How to extract number from string column? 【发布时间】:2017-12-13 08:27:27 【问题描述】:我的要求是从comment
列中的评论列中检索订单号,并且始终以R
开头。订单号应作为新列添加到表格中。
输入数据:
code,id,mode,location,status,comment
AS-SD,101,Airways,hyderabad,D,order got delayed R1657
FY-YT,102,Airways,Delhi,ND,R7856 package damaged
TY-OP,103,Airways,Pune,D,Order number R5463 not received
预期输出:
AS-SD,101,Airways,hyderabad,D,order got delayed R1657,R1657
FY-YT,102,Airways,Delhi,ND,R7856 package damaged,R7856
TY-OP,103,Airways,Pune,D,Order number R5463 not received,R5463
我在spark-sql中试过了,我使用的查询如下:
val r = sqlContext.sql("select substring(comment, PatIndex('%[0-9]%',comment, length(comment))) as number from A")
但是,我收到以下错误:
org.apache.spark.sql.AnalysisException: undefined function PatIndex; line 0 pos 0
【问题讨论】:
【参考方案1】:你可以使用regexp_extract
,它有如下定义:
def regexp_extract(e: Column, exp: String, groupIdx: Int): Column
(R\\d4)
表示 R
后跟 4 位数字。您可以使用有效的正则表达式轻松适应任何其他情况
df.withColumn("orderId", regexp_extract($"comment", "(R\\d4)" , 1 )).show
+-----+---+-------+---------+------+--------------------+-------+
| code| id| mode| location|status| comment|orderId|
+-----+---+-------+---------+------+--------------------+-------+
|AS-SD|101|Airways|hyderabad| D|order got delayed...| R1657|
|FY-YT|102|Airways| Delhi| ND|R7856 package dam...| R7856|
|TY-OP|103|Airways| Pune| D|Order number R546...| R5463|
+-----+---+-------+---------+------+--------------------+-------+
【讨论】:
【参考方案2】:你可以使用udf
函数如下
import org.apache.spark.sql.functions._
def extractString = udf((comment: String) => comment.split(" ").filter(_.startsWith("R")).head)
df.withColumn("newColumn", extractString($"comment")).show(false)
其中comment
列是split
ted 与空格 和filter
ing 以R 开头的单词。 head
将采用以R
开头的第一个过滤词。
更新
为确保返回的字符串是order number以R开头,其余字符串为digits,可以额外添加filter
import scala.util.Try
def extractString = udf((comment: String) => comment.split(" ").filter(x => x.startsWith("R") && Try(x.substring(1).toDouble).isSuccess).head)
您可以根据需要编辑filter
。
【讨论】:
以上是关于如何从字符串列中提取数字?的主要内容,如果未能解决你的问题,请参考以下文章
从不在任何其他数字之前或之后的pandas字符串列中提取最多N位数
从pandas DataFrame中另一列中的位置给定的字符串列中提取字符[重复]
从数据框字符串列中提取特定单词并存储在 Python 的新列中