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

如何从 Pyspark Dataframe 中的字符串列中过滤字母值?

在 Pyspark 中屏蔽/替换字符串列的内部

使用pyspark将两个字符串列值连接到整数数组

Pyspark:字符串列上的多个过滤器

修改字符串列并替换子字符串 pyspark