Pyspark根据另一列的模式替换列中的字符串

Posted 2023-04-13

【中文标题】Pyspark根据另一列的模式替换列中的字符串

【英文标题】：Pyspark replace string from column based on pattern from another column

【发布时间】：2019-05-30 04:37:20

【问题描述】：

我有一个带有文本列和名称列的数据框。我想检查该名称是否存在于文本列中，以及是否将其替换为某个值。 我希望以下内容会起作用：

df = df.withColumn("new_text",regex_replace(col("text),col("name"),"NAME"))

但是 Column 是不可迭代的，所以它不起作用。我必须写一个udf来做到这一点吗？那会是什么样子？

【问题讨论】：

***.com/questions/45615621/…的可能重复

Using a column value as a parameter to a spark DataFrame function的可能重复

@giser_yugang 这是 pyspark 你的链接问题是关于 scala 的。

【参考方案1】：

你快接近了。这是带有withColumn 和selectExpr 选项的详细示例：

样本df

df = spark.createDataFrame([('This is','This'),
('That is','That'),
('That is','There')],
['text','name'])

#+-------+-----+
#|   text| name|
#+-------+-----+
#|This is| This|
#|That is| That|
#|That is|There|
#+-------+-----+

选项 1： withColumn 使用 expr 函数

from pyspark.sql.functions import expr, regexp_replace

df.withColumn("new_col1",expr("regexp_replace(text,name,'NAME')")).show()

#+-------+-----+--------+
#|   text| name|new_col1|
#+-------+-----+--------+
#|This is| This| NAME is|
#|That is| That| NAME is|
#|That is|There| That is|
#+-------+-----+--------+

选项 2： selectExpr 使用 regexp_replace

 from pyspark.sql.functions import regexp_replace


df.selectExpr("*",
          "regexp_replace(text,name,'NAME') AS new_text").show()

#+-------+-----+--------+
#|   text| name|new_text|
#+-------+-----+--------+
#|This is| This| NAME is|
#|That is| That| NAME is|
#|That is|There| That is|
#+-------+-----+--------+

【讨论】：

你知道如何处理 name 是正则表达式的情况吗？我发现 expr("regexp_replace(column, 'regex', 'replace_value')") 有问题

补充一下，这是因为“正则表达式”是正则表达式，但它被包围为来自 expr 的字符串似乎会干扰。

我想我解决了，但不知道为什么。 ^([^.]+)?\\.代替 ^.*?\\. （但后者在我不使用 expr 时有效）