String 配置单元选择列A中的字符串包含列B中的字符串的行
我有一个数据集,其中包含在一列中包含无效项的一些行 我试图从B列和C列中选择所有不同的行,但B列有无效的条目。列A中的字符串包含列B的正确名称,因此如果我能找出如何选择str(B)在str(A)中的所有行,那么我应该只得到正确的数据 伪代码可能如下所示:String 配置单元选择列A中的字符串包含列B中的字符串的行,string,hive,hiveql,String,Hive,Hiveql,我有一个数据集,其中包含在一列中包含无效项的一些行 我试图从B列和C列中选择所有不同的行,但B列有无效的条目。列A中的字符串包含列B的正确名称,因此如果我能找出如何选择str(B)在str(A)中的所有行,那么我应该只得到正确的数据 伪代码可能如下所示: SELECT DISTINCT b,c FROM some.log WHERE date = 'today' AND str(b) IN str(a) df = df[df.apply(lambda x: x.name in x.url, a
SELECT DISTINCT b,c FROM some.log WHERE date = 'today' AND str(b) IN str(a)
df = df[df.apply(lambda x: x.name in x.url, axis=1)]
df
a b c
/bobs/burgers/1234 bobs idx
/bobs/burgers/2234 fred idx
/cindys/sandwhiches/3234 cindy idx
df = df[df.apply(lambda x: x.name in x.url, axis=1)]
a b c
/bobs/burgers/1234 bobs idx
/cindys/sandwhiches/3234 cindy idx
我知道如何使用Python来解决这个问题,但是A列在每一行上都是唯一的。所以,如果我选择不同的行并包含列A,我基本上只是选择所有行,这将生成一个60gb的文件
python代码如下所示:
SELECT DISTINCT b,c FROM some.log WHERE date = 'today' AND str(b) IN str(a)
df = df[df.apply(lambda x: x.name in x.url, axis=1)]
df
a b c
/bobs/burgers/1234 bobs idx
/bobs/burgers/2234 fred idx
/cindys/sandwhiches/3234 cindy idx
df = df[df.apply(lambda x: x.name in x.url, axis=1)]
a b c
/bobs/burgers/1234 bobs idx
/cindys/sandwhiches/3234 cindy idx
这将导致如下结果:
SELECT DISTINCT b,c FROM some.log WHERE date = 'today' AND str(b) IN str(a)
df = df[df.apply(lambda x: x.name in x.url, axis=1)]
df
a b c
/bobs/burgers/1234 bobs idx
/bobs/burgers/2234 fred idx
/cindys/sandwhiches/3234 cindy idx
df = df[df.apply(lambda x: x.name in x.url, axis=1)]
a b c
/bobs/burgers/1234 bobs idx
/cindys/sandwhiches/3234 cindy idx
是否可以使用Hive进行过滤,这样就不需要下载大文件并使用python进行处理?
类似于
或RLIKE
select distinct b,c from some.log where date = 'today' and a like concat('%',b,'%');
或
除了
like
和rlike
之外,您还可以使用以下功能:
使用仪表
:
select distinct b,c from some.log where date = current_date and a instr(a,b) > 0;
使用定位:
select distinct b,c from some.log where date = current_date and locate(b, a) > 0;
参见此参考:“喜欢”对我有用。注意:如果要在列中查找特定的子字符串,只需键入where column(如“%substring%”)
,就可以了