PySpark：在文本和子集数据框中搜索子字符串

Question

我是pyspark 的新手，想将我现有的pandas / python 代码翻译成PySpark。

我想对我的dataframe 进行子集化，以便只返回包含我在'original_problem' 字段中查找的特定关键字的行。

下面是我在 PySpark 中尝试过的 Python 代码：

def pilot_discrep(input_file):

    df = input_file 

    searchfor = ['cat', 'dog', 'frog', 'fleece']

    df = df[df['original_problem'].str.contains('|'.join(searchfor))]

    return df 

当我尝试运行上述内容时，我收到以下错误：

AnalysisException: u"Can't extract value from original_problem#207: 需要结构类型但得到字符串；"

Answer 1

在 pyspark 中，试试这个：

df = df[df['original_problem'].rlike('|'.join(searchfor))]

或等效：

import pyspark.sql.functions as F
df.where(F.col('original_problem').rlike('|'.join(searchfor)))

或者，您可以选择udf：

import pyspark.sql.functions as F

searchfor = ['cat', 'dog', 'frog', 'fleece']
check_udf = F.udf(lambda x: x if x in searchfor else 'Not_present')

df = df.withColumn('check_presence', check_udf(F.col('original_problem')))
df = df.filter(df.check_presence != 'Not_present').drop('check_presence')

但首选 DataFrame 方法，因为它们会更快。