字符串中的 Pyspark 双字符替换避免某些单词而不映射到 pandas 或 rdd
Posted
技术标签:
【中文标题】字符串中的 Pyspark 双字符替换避免某些单词而不映射到 pandas 或 rdd【英文标题】:Pyspark double character replacement in strings avoiding certain words without mapping to pandas or rdd 【发布时间】:2021-03-15 12:59:26 【问题描述】:我继承了一个程序,它修改了 pyspark 数据帧中的一些字符串。其中一个步骤涉及从字符串中的某些单词中删除双/三/等字母,并附加一个例外列表,即使它们有重复的字母,它们也会被单独留下。目前,这是通过使用 udf 将数据帧转换为 pandas 来完成的,然后将自定义函数应用于生成的 pandas 数据帧中的字符串,然后再读回 pyspark。不幸的是,对要求的更改意味着代码在任何情况下都不能使用 pandas udf 或映射到 rdd。我需要直接在 pyspark 中执行相同的功能。
连续字符删除函数逐字读取字符串,检查该单词是否在例外列表中,如果不在,则逐字符移动,将其与前一个字符进行比较,如果匹配,则检查是否逐个字符创建一个新单词,省略重复。
下面是当前实现的 MWE,在 pyspark 数据帧转换为 pandas 之后。
import pandas as pd
exception_list = ['ACCOUNTING', 'LOOK', 'FOOOOO']
cols = ['input']
data = [
["BOOK TOOK LOOK HOUSE SHOOK"],
["ACCOUNTING SHEEP"],
["FOO FOOO FOOOO FOOOOO FOOOOOO"]
]
df = pd.DataFrame(data, columns=cols)
df.head()
def drop_consecutive_chars(phrase, exception):
if phrase == '':
return phrase
else:
new_phrase = []
for word in phrase.split():
if word not in exception:
prev = word[0]
new_word = prev
for char in word[1:]:
if char != prev:
new_word += char
prev = char
else:
new_word = word
new_phrase += [new_word]
new_phrase = ' '.join(new_phrase)
return new_phrase
df['output'] = df['input'].apply(drop_consecutive_chars,
exception=exception_list)
df.head()
在 pyspark 中有什么方法可以做到这一点?我愿意使用 RegexTokenizer 之类的东西并稍后将其加入,以及创建额外的真值列,这些列随后会被删除。它只需要在数据框不离开 pyspark 或映射到其他任何东西的情况下完成。
【问题讨论】:
【参考方案1】:与我之前的回答类似,您可以使用高阶函数来表示您的 Python 代码的逻辑:
import pyspark.sql.functions as F
df2 = sdf.withColumn(
'exception_list',
F.array(*[F.lit(w) for w in exception_list])
).withColumn(
'output',
F.expr("""
concat_ws(' ',
transform(
split(input, ' '),
w -> case when array_contains(exception_list, w)
then w
else concat_ws('',
transform(
split(w, ''),
(c, i) -> case when i = 0 or c != split(w, '')[i-1]
then c
else ''
end
)
)
end
)
)
""")
).drop('exception_list')
df2.show(truncate=False)
+-----------------------------+-----------------------+
|input |output |
+-----------------------------+-----------------------+
|BOOK TOOK LOOK HOUSE SHOOK |BOK TOK LOOK HOUSE SHOK|
|ACCOUNTING SHEEP |ACCOUNTING SHEP |
|FOO FOOO FOOOO FOOOOO FOOOOOO|FO FO FO FOOOOO FO |
+-----------------------------+-----------------------+
【讨论】:
我感觉答案会很相似。不幸的是,我不知道表达式代码(我假设这是 Scala?)。我尝试了一段时间来让这样的事情起作用,但是以错误的方式进行。再次感谢你。现在将进行测试。 这不是 Scala - 它是 SQL。但是函数式编程方法(转换/过滤/聚合)非常类似于 Scala 嗯,我收到一个错误:AnalysisException:“lambda 函数参数 '2' 的数量与高阶函数 '1' 预期的参数数量不匹配。它指向表达式内部的某处,可能在 w -> array_contains 行,但我不能确定。 你的 spark 版本是什么? 2.4? 我将代码更改为与 spark 2.4 兼容。以上是关于字符串中的 Pyspark 双字符替换避免某些单词而不映射到 pandas 或 rdd的主要内容,如果未能解决你的问题,请参考以下文章