如何在过滤器和 lambda 函数 pyspark 中使用多列

Posted 2023-04-15

【中文标题】如何在过滤器和 lambda 函数 pyspark 中使用多列

【英文标题】：How to use multiple columns in filter and lambda functions pyspark

【发布时间】：2020-02-25 18:05:05

【问题描述】：

我有一个数据框，我想在其中删除名称以“test”、“id_1”、“vehicle”等开头的列

我使用下面的代码删除一列

df1.drop(*filter(lambda col: 'test' in col, df.columns))

如何在这一行中一次指定所有列？ 这不起作用：

df1.drop(*filter(lambda col: 'test','id_1' in col, df.columns))

【参考方案1】：

您执行以下操作：

expression = lambda col: all([col.startswith(i) for i in ['test', 'id_1', 'vehicle']])
df1.drop(*filter(lambda col:  expression(col), df.columns))

【参考方案2】：

在 PySpark 版本 2.1.0 中，可以使用 drop 删除多个列，方法是提供一个字符串列表（带有要删除的列的名称）作为 drop 的参数。 （参见文档http://spark.apache.org/docs/2.1.0/api/python/pyspark.sql.html?highlight=drop#pyspark.sql.DataFrame.drop）。

在您的情况下，您可以创建一个列表，其中包含要删除的列的名称。例如：

cols_to_drop = [x for x in colunas if (x.startswith('test') or x.startswith('id_1') or x.startswith('vehicle'))]

然后应用drop解包列表：

df1.drop(*cols_to_drop)

最终，使用select也可以达到类似的效果。例如：

# Define columns you want to keep
cols_to_keep = [x for x in df.columns if x not in cols_to_drop]

# create new dataframe, df2, that keeps only the desired columns from df1
df2 = df1.select(cols_to_keep)

请注意，通过使用select，您无需解压列表。

请注意，这个question 也解决了类似的问题。

我希望这会有所帮助。

【参考方案3】：

好吧，看来您可以使用以下常规列过滤器：

val forColumns = df.columns.filter(x => (x.startsWith("test") || x.startsWith("id_1") || x.startsWith("vehicle"))) ++ ["c_007"]

df.drop(*forColumns)