Pyspark 数据框中的 regexp_replace

Posted

技术标签:

【中文标题】Pyspark 数据框中的 regexp_replace【英文标题】:regexp_replace in Pyspark dataframe 【发布时间】:2020-07-02 14:57:41 【问题描述】:

我在 Pyspark 数据帧上运行了regexp_replace 命令,然后所有数据的数据类型都更改为字符串。为什么会这样?

下面是我使用 regex_replace 之前的表格

root
 |-- account_id: long (nullable = true)
 |-- credit_card_limit: long (nullable = true)
 |-- credit_card_number: long (nullable = true)
 |-- first_name: string (nullable = true)
 |-- last_name: string (nullable = true)
 |-- phone_number: long (nullable = true)
 |-- amount: long (nullable = true)
 |-- date: string (nullable = true)
 |-- shop: string (nullable = true)
 |-- transaction_code: string (nullable = true)

应用 regexp_replace 后的架构

root
 |-- date_type: date (nullable = true)
 |-- c_phone_number: string (nullable = true)
 |-- c_account_id: string (nullable = true)
 |-- c_credit_card_limit: string (nullable = true)
 |-- c_credit_card_number: string (nullable = true)
 |-- c_amount: string (nullable = true)
 |-- c_full_name: string (nullable = true)
 |-- c_transaction_code: string (nullable = true)
 |-- c_shop: string (nullable = true)

我使用的代码:

df=df.withColumn('c_phone_number',regexp_replace("phone_number","[^0-9]","")).drop('phone_number')
df=df.withColumn('c_account_id',regexp_replace("account_id","[^0-9]","")).drop('account_id')
df=df.withColumn('c_credit_card_limit',regexp_replace("credit_card_limit","[^0-9]","")).drop('credit_card_limit')
df=df.withColumn('c_credit_card_number',regexp_replace("credit_card_number","[^0-9]","")).drop('credit_card_number')
df=df.withColumn('c_amount',regexp_replace("amount","[^0-9 ]","")).drop('amount')
df=df.withColumn('c_full_name',regexp_replace("full_name","[^a-zA-Z ]","")).drop('full_name')
df=df.withColumn('c_transaction_code',regexp_replace("transaction_code","[^a-zA-Z]","")).drop('transaction_code')
df=df.withColumn('c_shop',regexp_replace("shop","[^a-zA-Z ]","")).drop('shop')

为什么会这样?有没有办法将其转换为其原始数据类型,或者我应该再次使用 cast 吗?

【问题讨论】:

【参考方案1】:

您可能想查看来自 spark git 的代码 regexp_replace-

override def nullSafeEval(s: Any, p: Any, r: Any): Any = 
    if (!p.equals(lastRegex)) 
      // regex value changed
      lastRegex = p.asInstanceOf[UTF8String].clone()
      pattern = Pattern.compile(lastRegex.toString)
    
    if (!r.equals(lastReplacementInUTF8)) 
      // replacement string changed
      lastReplacementInUTF8 = r.asInstanceOf[UTF8String].clone()
      lastReplacement = lastReplacementInUTF8.toString
    
    val m = pattern.matcher(s.toString())
    result.delete(0, result.length())

    while (m.find) 
      m.appendReplacement(result, lastReplacement)
    
    m.appendTail(result)

    UTF8String.fromString(result.toString)
  
    上面的代码接受表达式为Any,然后在上面调用toString() 终于在toString中再次转换结果
UTF8String.fromString(result.toString)

参考-spark-git

【讨论】:

以上是关于Pyspark 数据框中的 regexp_replace的主要内容,如果未能解决你的问题,请参考以下文章

计算 pyspark 数据框中的出现次数

减去 Pandas 或 Pyspark 数据框中的连续列

pyspark 数据框中的自定义排序

Pyspark 数据框中的重复行

在 PySpark 数据框中的组中的列上应用函数

从 PySpark 中的数据框中删除重复项