Pyspark: фильтровать кадр данных по регулярному выражению с форматированием строки?

Я прочитал несколько сообщений об использовании оператора «нравится» для фильтрации кадра данных искры по условию содержания строки/выражения, но мне было интересно, является ли следующая «наилучшей практикой» использование% s в желаемом состоянии как следует:

input_path = <s3_location_str>
my_expr = "Arizona.*hot"  # a regex expression
dx = sqlContext.read.parquet(input_path)  # "keyword" is a field in dx

# is the following correct?
substr = "'%%%s%%'" %my_keyword  # escape % via %% to get "%"
dk = dx.filter("keyword like %s" %substr)

# dk should contain rows with keyword values such as "Arizona is hot."

Примечание

Я пытаюсь получить все строки в dx, которые содержат выражение my_keyword. В противном случае для точных совпадений нам не понадобились бы окружающие знаки процента '%'.


regex pyspark apache-spark-sql pyspark-sql spark-dataframe
person Quetzalcoatl    schedule 09.08.2017    source источник

Ответы (3)


arrow_upward
33
arrow_downward

Из подсказки neeraj кажется, что правильный способ сделать это в pyspark:

expr = "Arizona.*hot"
dk = dx.filter(dx["keyword"].rlike(expr))

Обратите внимание, что dx.filter($"keyword" ...) не работает, так как (моя версия) pyspark, похоже, не поддерживает номенклатуру $ из коробки.

person Quetzalcoatl    schedule 09.08.2017

arrow_upward
12
arrow_downward

Попробуйте функцию rlike, как указано ниже.

df.filter(<column_name> rlike "<regex_pattern>")

Например.

dk = dx.filter($"keyword" rlike "<pattern>")
person neeraj bhadani    schedule 09.08.2017
comment
Это Скала? Pyspark, похоже, не поддерживает синтаксис col rlike expr. - person Dileep Kumar Patchigolla; 05.07.2021

arrow_upward
4
arrow_downward

Я использовал следующее для регулярного выражения временной метки

expression = r'[0-9]{4}-(0[1-9]|1[0-2])-(0[1-9]|[1-2][0-9]|3[0-1]) (2[0-3]|[01][0-9]):[0-5][0-9]:[0-5][0-9]'
df1 = df.filter(df['eta'].rlike(expression))
person Dheeraj    schedule 08.05.2019