python - PySpark 根据列名称/字符串条件删除列

Question

我想删除包含 banned_columns 列表中任何单词的 pyspark 数据框中的列，并从剩余的列中形成一个新的数据框

banned_columns = ["basket","cricket","ball"]
drop_these = [columns_to_drop for columns_to_drop in df.columns if columns_to_drop in banned_columns]

df_new = df.drop(*drop_these)

banned_columns 的想法是删除以 basket 和 cricket 开头的所有列，以及包含单词 ball 的列 他们名字中的任何地方。

上面是我到目前为止所做的，但它不起作用(因为在新数据框中仍然包含这些列名称)

数据框示例

 sports1basketjump | sports

在上面的列名称示例中，它将删除列 sports1basketjump，因为它包含单词“basket”。

此外，使用 filter 或/和 reduce 函数是否比创建列表和 for 循环更优化？

Answer 1

您的列表理解没有达到您预期的效果。它将返回一个空列表，除非它完全匹配一个字符串。有关如何将子字符串列表与字符串列表进行匹配的答案，请查看 matching list of substrings to a list of strings in Python

df.drop(*cols) 将按您的预期工作。