python - 根据第一个字符的出现分隔字符串列

Question

我想根据字符的首次出现将 Spark DataFrame 的列分成 2 个不同的列，在本例中为下划线(“_”)。

我准备了一个 100% 可重现的例子:

模拟的 Spark DataFrame 是:

df = spark.createDataFrame(
    [
     (1, 1.8, 'newyork_3434_north'), 
     (4, 2.6, 'la_432432432_south'), 
     (6, 3.3, 'boston_234324_east'), 
     (8, 4.1, 'detroit_6757_west'), 
     (2, 5.7, 'miami_133123_north'), 
     (3, 6.2, 'atlanta_093394_west'), 
     (1, 6.1, 'houston_87342_east')
    ],
    ('ranking', "coordenate", "city")
)

上面的代码创建了一个如下表:

ranking  coordenate  city
1        1.8         newyork_3434_north
4        2.6         la_432432432_south
6        3.3         boston_234324_east
8        4.1         detroit_6757_west
2        5.7         miami_133123_north
3        6.2         atlanta_093394_west 
1        6.1         houston_87342_east

我想做的是根据第一个下划线从左到右的位置将列 city 分成 2 个不同的列。

最终所需的表格将类似于:

ranking  coordenate  city       code
1        1.8         newyork    3434_north
4        2.6         la         432432432_south
6        3.3         boston     234324_east
8        4.1         detroit    6757_west
2        5.7         miami      133123_north
3        6.2         atlanta    093394_west
1        6.1         houston    87342_east

我看过几个关于这个主题的话题，但他们没有谈论字符的第一次出现( link_1 、 link_2 等)，而是按字符串中的所有特定字符拆分；或按字符串中字符的特定位置拆分。

我也尝试过 Python Pandas 方法，但正如预期的那样，通过扩展或类比，它不适用于 PySpark (link_3)

预先感谢您的帮助。

Answer 1

我认为这里最好的选择是使用 pyspark.sql.functions.regexp_extract() 和 pyspark.sql.functions.regexp_replace():

import pyspark.sql.functions as f

df.select(
    "ranking",
    "coordenate",
    f.regexp_extract("city", pattern="^[A-Za-z]+(?=_)", idx=0).alias('city'),
    f.regexp_replace("city", "^[A-Za-z]+_", "").alias("code")
).show()
#+-------+----------+----------+---------------+
#|ranking|coordenate|      city|           code|
#+-------+----------+----------+---------------+
#|      1|       1.8|   newyork|     3434_north|
#|      4|       2.6|        la|432432432_south|
#|      6|       3.3|    boston|    234324_east|
#|      8|       4.1|   detroit|      6757_west|
#|      2|       5.7|     miami|   133123_north|
#|      3|       6.2|   atlanta|    093394_west|
#|      1|       6.1|   houston|     87342_east|
#+-------+----------+----------+---------------+

在这两种情况下，模式本质上是相同的:

• ^[A-Za-z]+:匹配从字符串开头开始的任意数量的字母
• (?=_):下划线的正面前瞻

对于 city，我们找到这个模式并提取第一个匹配项。对于 code，我们将先行更改为匹配并将模式替换为空字符串。

---

如果很难找到合适的正则表达式模式，这里有一个适用于 Spark 2.1 及更高版本的替代方法:

获取 city 很简单 - 您可以使用 pyspark.sql.functions.split() 将字符串拆分为下划线，然后使用 getItem(0) 获取拆分列表的第一个元素。

对于 code 部分，将 city 拆分为下划线并使用 pyspark.sql.functions.posexplode() 分解结果数组.然后筛选出 pos > 0，按原始列分组，并使用 pyspark.sql.functions.concat_ws 加入收集到的标记。

df.select(
        "*",
        f.posexplode(f.split("city", "_")).alias("pos", "token")
    )\
    .where("pos > 0")\
    .groupBy("ranking", "coordenate", "city")\
    .agg(f.concat_ws("_" ,f.collect_list("token")).alias("code"))\
    .select(
        "ranking",
        "coordenate",
        f.split("city", "_").getItem(0).alias("city"),
        "code"
    )\
    .show()