从 pyspark 数据框字符串列中获取第一个数值到新列中
Posted
技术标签:
【中文标题】从 pyspark 数据框字符串列中获取第一个数值到新列中【英文标题】:get first numeric values from pyspark dataframe string column into new column 【发布时间】:2020-03-24 21:25:59 【问题描述】:我有一个 pyspark 数据框,如下面的输入数据。我想创建一个新列 product1_num ,它将 productname 列中每条记录中的第一个数字解析为一个新列。我在下面有示例输出数据。就字符串拆分和正则表达式匹配而言,我不确定 pyspark 中有什么可用的。谁能建议如何使用 pyspark 做到这一点?
输入数据:
+------+-------------------+
|id |productname |
+------+-------------------+
|234832|EXTREME BERRY SAUCE|
|419836|BLUE KOSHER SAUCE |
|350022|GUAVA (1G) |
|123213|GUAVA 1G |
+------+-------------------+
输出:
+------+-------------------+-------------+
|id |productname |product1_num |
+------+-------------------+-------------+
|234832|EXTREME BERRY SAUCE| |
|419836|BLUE KOSHER SAUCE | |
|350022|GUAVA (1G) |1 |
|123213|GUAVA G5 |5 |
|125513|3GULA G5 |3 |
|127143|GUAVA G50 |50 |
|124513|LAAVA C2L5 |2 |
+------+-------------------+-------------+
【问题讨论】:
【参考方案1】:你可以使用regexp_extract
:
from pyspark.sql import functions as F
df.withColumn("product1_num", F.regexp_extract("productname", "([0-9]+)",1)).show()
+------+-------------------+------------+
| id| productname|product1_num|
+------+-------------------+------------+
|234832|EXTREME BERRY SAUCE| |
|419836| BLUE KOSHER SAUCE| |
|350022| GUAVA (1G)| 1|
|123213| GUAVA G5| 5|
|125513| 3GULA G5| 3|
|127143| GUAVA G50| 50|
|124513| LAAVA C2L5| 2|
+------+-------------------+------------+
【讨论】:
以上是关于从 pyspark 数据框字符串列中获取第一个数值到新列中的主要内容,如果未能解决你的问题,请参考以下文章
如何解析 pyspark 的 DataStreamReader 中的 json 字符串列并创建数据框