Question

假设我们有一个pyspark数据帧，其中的一列（column_a）包含一些字符串值，并且还有一个字符串列表（list_a）。

数据框：

column_a      | count
some_string   |  10
another_one   |  20
third_string  |  30

list_a：

['string', 'third', ...]

我要过滤此数据框，并且仅当column_a的值包含list_a的一项时才保留行。

这是用于根据单个字符串过滤column_a的代码：

df['column_a'].like('%string_value%')

但是我们如何才能得到相同的字符串列表结果呢？（请保留column_a值为'string'，'third'，...的行）

Answer 1

IIUC，您想返回column_a中的任何值与list_a（从SQL角度而言）“相似”的行。

一种方法是使用functools.reduce：

from functools import reduce

list_a = ['string', 'third']

df1 = df.where(
    reduce(lambda a, b: a|b, (df['column_a'].like('%'+pat+"%") for pat in list_a))
)
df1.show()
#+------------+-----+
#|    column_a|count|
#+------------+-----+
#| some_string|   10|
#|third_string|   30|
#+------------+-----+

基本上，您循环遍历list_a中的所有可能的字符串，以对like进行比较并“或”比较结果。这是执行计划：

df1.explain()
#== Physical Plan ==
#*(1) Filter (Contains(column_a#0, string) || Contains(column_a#0, third))
#+- Scan ExistingRDD[column_a#0,count#1]

另一种选择是使用pyspark.sql.Column.rlike而不是like。

df2 = df.where(
    df['column_a'].rlike("|".join(["(" + pat + ")" for pat in list_a]))
)

df2.show()
#+------------+-----+
#|    column_a|count|
#+------------+-----+
#| some_string|   10|
#|third_string|   30|
#+------------+-----+

有相应的执行计划：

df2.explain()
#== Physical Plan ==
#*(1) Filter (isnotnull(column_a#0) && column_a#0 RLIKE (string)|(third))
#+- Scan ExistingRDD[column_a#0,count#1]

如果包含字符串列表，则过滤pyspark数据框

1 个答案: