Question

我想从特定列（purch_location）中的所有值中删除空格。我使用的是火花表，而不是数据帧或SQL表（但如果需要，我可以使用数据帧或SQL表）。

以下是我的火花表的生成方式：

dataset = spark.table("trans")
cols = dataset.columns
dataset.show(5)
+----------+-------------+-------+--------------------+--------------+---+---+
|purch_date|  purch_class|tot_amt|       serv-provider|purch_location| id|  y|
+----------+-------------+-------+--------------------+--------------+---+---+
|06/11/2017|     Printing|  -0.66|   CARDS AND POCKETS|              |  0|  0|
|03/11/2017|Uncategorized| -17.53|             HOVER  |              |  1|  0|
|02/11/2017|    Groceries| -70.05|1774 MAC'S CONVEN...|     BRAMPTON |  2|  1|
|31/10/2017|Gasoline/Fuel|  -20.0|              ESSO  |              |  3|  0|
|31/10/2017|       Travel|   -9.0|TORONTO PARKING A...|      TORONTO |  4|  0|
+----------+-------------+-------+--------------------+--------------+---+---+

我尝试过以下功能 pyspark.sql.functions import regexp_replace

from pyspark.sql.functions import regexp_replace
dataset1=dataset.select(regexp_replace(col("purch_location"),"\\s+",""))

删除列之后但不是之前的空格。它还摆脱了我想保留的其余列。

+-------------------------------------+
|regexp_replace(purch_location, \s+, )|
+-------------------------------------+
|                                     |
|                                     |
|                             BRAMPTON|
|                                     |
|                              TORONTO|
|                                     |
|                             BRAMPTON|
|                             BRAMPTON|
|                                     |
|                                 null|
|                          MISSISSAUGA|
|                                     |
|                             BRAMPTON|

知道如何解决这个问题吗？提前致谢。

Answer 1

只需使用pyspark.sql.functions.trim：

修剪指定字符串列的两端空格。

from pyspark.sql.functions import trim

dataset.select(trim("purch_location"))

要转换为null：

from pyspark.sql.functions import length trim, when

df.select(when(length(trim("purch_location")) != 0, trim("purch_location")))

我使用的是火花表，而不是数据帧

SparkSession.table返回DataFrame：

spark.range(1).createOrReplaceTempView("df")
type(spark.table("df"))
# pyspark.sql.dataframe.DataFrame

Answer 2

如果您使用数据框，这应该有效：

from pyspark.sql.functions import trim
dataset = dataset.withColumn("purch_location", trim(df. purch_location))

如何删除Spark表列（Pyspark）中的空格

2 个答案: