Pyspark：过滤行内部数组的内容

Question

在Pyspark中，可以使用以下代码过滤数组：

lines.filter(lambda line: "some" in line)

但我已从json文件中读取数据并将其标记化。现在它有以下形式：

df=[Row(text=u"i have some text", words=[u'I', u'have', u"some'", u'text'])]

如何从单词数组中过滤掉“some”？

Answer 1

您可以使用array_contains，它自1.4以来可用：

from pyspark.sql import Row
from pyspark.sql import functions as F
df = sqlContext.createDataFrame([Row(text=u"i have some text", words=[u'I', u'have', u'some', u'text'])])

df.withColumn("keep", F.array_contains(df.words,"some")) \
  .filter(F.col("keep")==True).show()
# +----------------+--------------------+----+
# |            text|               words|keep|
# +----------------+--------------------+----+
# |i have some text|[I, have, some, t...|true|
# +----------------+--------------------+----+

如果你想过滤掉'某些'，就像我在评论中说的那样，你可以使用StopWordsRemover API

from pyspark.ml.feature import StopWordsRemover

StopWordsRemover(inputCol="words", stopWords=["some"]).transform(df)