Pyspark 如何查询列在另一列中的位置?
我有一个dataframe,其中包含带有页面名称的列,另一个列包含带有页面列表的Json。我想检查页面名称是否出现在页面列表中,如果没有,则对其进行过滤 我怎么做 例如:Pyspark 如何查询列在另一列中的位置?,pyspark,apache-spark-sql,Pyspark,Apache Spark Sql,我有一个dataframe,其中包含带有页面名称的列,另一个列包含带有页面列表的Json。我想检查页面名称是否出现在页面列表中,如果没有,则对其进行过滤 我怎么做 例如: +---------+--------------------------------+ |page name|page_list | +---------+--------------------------------+ |home |{page_list:['home'
+---------+--------------------------------+
|page name|page_list |
+---------+--------------------------------+
|home |{page_list:['home','something']}|
|about |{page_list:['something']} |
+---------+--------------------------------+
以下是一种方法:
df2 = (df
.rdd
.map(lambda x: (x.page_name, x.page_list, x.page_name in x.page_list['page_list']))
.toDF(["page_name", "page_list", "flag"])
df2.show()
+---------+--------------------+-----+
|page_name| page_list| flag|
+---------+--------------------+-----+
| home|[page_list -> [ho...| true|
| about|[page_list -> [so...|false|
+---------+--------------------+-----+
假设您的DataFrame架构如下所示(此处
page\u list
列是一个字符串):
您可以使用以字符串数组的形式获取页面列表
。然后使用检查页面名称是否在此列表中
诀窍是您必须使用toarray\u contains
from pyspark.sql.types import StructType, StructField, ArrayType, StringType
from pyspark.sql.functions import expr, from_json
df.withColumn(
"flag",
from_json(
"page_list",
schema=StructType([StructField("page_list", ArrayType(StringType()))])
)["page_list"]
).withColumn(
"flag",
expr("array_contains(flag, page_name)")
).show(truncate=False)
#+---------+----------------------------------+-----+
#|page_name|page_list |flag |
#+---------+----------------------------------+-----+
#|home |{"page_list":["home","something"]}|true |
#|about |{"page_list":["something"]} |false|
#+---------+----------------------------------+-----+
如果列page\u list
的类型为string,则可以简单地使用如下函数:
quoted_page_name = concat(lit("'"), col("page_name"), lit("'"))
df.withColumn("flag", col("page_list").contains(quoted_page_name)).show()
给出:
+---------+----------------------------------+-----+
|page_name|page_list |flag |
+---------+----------------------------------+-----+
|home |{page_list: ['home', 'something']}|true |
|about |{page_list: ['something']} |false|
+---------+----------------------------------+-----+
我建议不要这样做-如果page\u name
列在page\u列表中的任何位置显示为子字符串,它就会中断。例如:{page\u list:['xxxhomeyyy']}
会错误地与home
@pault匹配是的,如果按原样使用,我同意。但是可以简单地引用页面名称,即'home'
…使用concat(lit(“”),col(“page_name”),lit(“”)
,它应该给出正确的结果。
+---------+----------------------------------+-----+
|page_name|page_list |flag |
+---------+----------------------------------+-----+
|home |{page_list: ['home', 'something']}|true |
|about |{page_list: ['something']} |false|
+---------+----------------------------------+-----+