Spark 数据框列命名约定/限制

我现在多次遇到 (Py)Spark 列名称的默认命名（从收到的 .csv 文件导入）的问题。混合大小写和 .或 - 在列名称中。所以我决定找出实际保存的列名，并发现以下内容：

这个网站 https://medium.com/@an_chee/why-using-mixed-case-field-names-in-hive-spark-sql-is-a-bad-idea-95da8b6ec1e0似乎建议仅使用小写名称：

Hive 在 Hive Metastore 中以小写形式存储表、字段名称。 Spark 保留 Dataframe、Parquet 文件中字段名称的大小写。 使用 Spark SQL 创建/访问表时，Spark 将详细信息存储在表属性（在 hive 元存储中）中，从而保留区分大小写。当使用 Hive Metastore 通过 Spark SQL 访问镶木地板记录时，这会导致奇怪的行为。

亚马逊雅典娜 https://docs.aws.amazon.com/athena/latest/ug/tables-databases-columns-names.html似乎证实了这一点，并补充说“_”是唯一的保存特殊字符：

...但是 Spark 需要小写的表名和列名。

Athena 表、视图、数据库和列名称不能包含特殊名称 字符，下划线 (_) 除外。

我从中得出的结论是，如果可能的话，我应该尝试仅使用小写列名，并使用 _ 作为单词之间的分隔符，以确保与 Spark 工作流程中可能出现的工具的最大交叉兼容性。它是否正确？是否有理由更喜欢空格而不是下划线，还有其他需要考虑的吗？

我意识到，在很多情况下，我might将所有列重命名为上述模式时做得太过分了 - 但是，我宁愿避免在项目中间遇到与命名相关的麻烦，因为我发现这些错误有时很难调试。

将文件保存为 Parquet 格式时，不能使用空格和某些特定字符。我在读取 CSV 和写入 Parquet 时遇到了类似的问题。下面的代码为我解决了这个问题：

# Column headers: lower case + remove spaces and the following characters: ,;{}()=  
newColumns = []
problematic_chars = ',;{}()='
for column in df.columns:
    column = column.lower()
    column = column.replace(' ', '_')
    for c in problematic_chars:
        column = column.replace(c, '')
    newColumns.append(column)
df = df.toDF(*newColumns)

所以是的，如果您的目标是确保最大的交叉兼容性，您应该确保您的列名全部小写，仅使用 _ 作为分隔符。