[英]Remove blank space from data frame column values in Spark
我有一个架构的数据框( business_df
):
|-- business_id: string (nullable = true)
|-- categories: array (nullable = true)
| |-- element: string (containsNull = true)
|-- city: string (nullable = true)
|-- full_address: string (nullable = true)
|-- hours: struct (nullable = true)
|-- name: string (nullable = true)
我想创建一个新的数据框( new_df
),以便'name'
列中的值不包含任何空格。
我的代码是:
from pyspark import SparkContext
from pyspark.sql import SQLContext
from pyspark.sql import HiveContext
from pyspark.sql.functions import UserDefinedFunction
from pyspark.sql.types import StringType
udf = UserDefinedFunction(lambda x: x.replace(' ', ''), StringType())
new_df = business_df.select(*[udf(column).alias(name) if column == name else column for column in business_df.columns])
new_df.registerTempTable("vegas")
new_df.printSchema()
vegas_business = sqlContext.sql("SELECT stars, name from vegas limit 10").collect()
我不断收到此错误:
NameError: global name 'replace' is not defined
这段代码有什么问题?
虽然您所描述的问题不能用提供的代码重现,但使用 Python UDFs
来处理这样的简单任务效率很低。 如果您只想从文本中删除空格,请使用regexp_replace
:
from pyspark.sql.functions import regexp_replace, col
df = sc.parallelize([
(1, "foo bar"), (2, "foobar "), (3, " ")
]).toDF(["k", "v"])
df.select(regexp_replace(col("v"), " ", ""))
如果要规范化空行,请使用trim
:
from pyspark.sql.functions import trim
df.select(trim(col("v")))
如果要保留前导/尾随空格,可以调整regexp_replace
:
df.select(regexp_replace(col("v"), "^\s+$", ""))
正如@zero323 所说,可能是您在某处重叠了replace
功能。 我测试了你的代码,它工作得很好。
from pyspark import SparkContext
from pyspark.sql import SQLContext
from pyspark.sql import HiveContext
from pyspark.sql.functions import udf
from pyspark.sql.types import StringType
df = sqlContext.createDataFrame([("aaa 111",), ("bbb 222",), ("ccc 333",)], ["names"])
spaceDeleteUDF = udf(lambda s: s.replace(" ", ""), StringType())
df.withColumn("names", spaceDeleteUDF("names")).show()
#+------+
#| names|
#+------+
#|aaa111|
#|bbb222|
#|ccc333|
#+------+
这是一个删除字符串中所有空格的函数:
import pyspark.sql.functions as F
def remove_all_whitespace(col):
return F.regexp_replace(col, "\\s+", "")
您可以像这样使用该函数:
actual_df = source_df.withColumn(
"words_without_whitespace",
quinn.remove_all_whitespace(col("words"))
)
remove_all_whitespace
函数在quinn 库中定义。 quinn 还定义了single_space
和anti_trim
方法来管理空白。 PySpark 定义了ltrim
、 rtrim
和trim
方法来管理空白。
我认为即使对于很少的数据,使用 regexp_replace 的解决方案也太慢了! 所以我试图找到另一种方法,我想我找到了!
不漂亮,有点天真,但速度很快! 你怎么认为?
def normalizeSpace(df,colName):
# Left and right trim
df = df.withColumn(colName,ltrim(df[colName]))
df = df.withColumn(colName,rtrim(df[colName]))
#This is faster than regexp_replace function!
def normalize(row,colName):
data = row.asDict()
text = data[colName]
spaceCount = 0;
Words = []
word = ''
for char in text:
if char != ' ':
word += char
elif word == '' and char == ' ':
continue
else:
Words.append(word)
word = ''
if len(Words) > 0:
data[colName] = ' '.join(Words)
return Row(**data)
df = df.rdd.map(lambda row:
normalize(row,colName)
).toDF()
return df
schema = StructType([StructField('name',StringType())])
rows = [Row(name=' dvd player samsung hdmi hdmi 160W reais de potencia
bivolt ')]
df = spark.createDataFrame(rows, schema)
df = normalizeSpace(df,'name')
df.show(df.count(),False)
那个打印
+---------------------------------------------------+
|name |
+---------------------------------------------------+
|dvd player samsung hdmi hdmi 160W reais de potencia|
+---------------------------------------------------+
正如@Powers 所示,有一个非常好用且易于阅读的函数来删除一个名为 quinn 的包提供的空格。您可以在此处找到它: https : //github.com/MrPowers/quinn以下是有关如何操作的说明如果在 Data Bricks 工作区上工作,请安装它: https : //docs.databricks.com/libraries.html
这里再次说明它是如何工作的:
#import library
import quinn
#create an example dataframe
df = sc.parallelize([
(1, "foo bar"), (2, "foobar "), (3, " ")
]).toDF(["k", "v"])
#function call to remove whitespace. Note, withColumn will replace column v if it already exists
df = df.withColumn(
"v",
quinn.remove_all_whitespace(col("v"))
)
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.