azure - pyspark从所有列的数据中删除控制字符的最佳方法

Question

我有一个数据框，其中的列包含回车符、换行符和制表符。我找到了一个包含 pandas 解决方案的帖子:

replace(to_replace=[r"\\t|\\n|\\r", "\t|\n|\r"], value=["",""], regex=True, inplace=<INPLACE>)

如何在 Spark 数据框中执行此操作？

Answer 1

要替换回车符、换行符和制表符，可以使用 \s

\s = [ \t\n\r\f\v]

您需要在所有数据框列中进行替换的 pyspark 代码:

from pyspark.sql import functions as F

df = spark.createDataFrame([("\ttext1", 'text2\n', 'te\rxt3'), ("text1\t", '\ntext2', 't\rext3')], ['col1', 'col2', 'col3'])

expr = [F.regexp_replace(F.col(column), pattern="\s+", replacement=",").alias(column) for column in df.columns]

df.select(expr).show()

+------+------+------+
|  col1|  col2|  col3|
+------+------+------+
|,text1|text2,|te,xt3|
|text1,|,text2|t,ext3|
+------+------+------+