如果包含字符串列表，则过滤 pyspark 数据帧

假设我们有一个 pyspark 数据框，其列之一 (column_a) 包含一些字符串值，并且还有一个字符串列表 (list_a).

数据框：

column_a      | count
some_string   |  10
another_one   |  20
third_string  |  30

list_a:

['string', 'third', ...]

我想过滤此数据框，并且仅在 column_a 的值包含 list_a 的项目之一时保留行。

这是用于过滤的代码column_a基于单个字符串：

df['column_a'].like('%string_value%')

但是我们如何才能对字符串列表获得相同的结果呢？ （保留column_a的值为'string'，'third'，...的行）

IIUC，您想要返回其中的行column_a是“像”（在 SQL 意义上）中的任何值list_a.

一种方法是使用functools.reduce:

from functools import reduce

list_a = ['string', 'third']

df1 = df.where(
    reduce(lambda a, b: a|b, (df['column_a'].like('%'+pat+"%") for pat in list_a))
)
df1.show()
#+------------+-----+
#|    column_a|count|
#+------------+-----+
#| some_string|   10|
#|third_string|   30|
#+------------+-----+

本质上你循环了所有可能的字符串list_a进行比较like并对结果进行“或”操作。这是执行计划：

df1.explain()
#== Physical Plan ==
#*(1) Filter (Contains(column_a#0, string) || Contains(column_a#0, third))
#+- Scan ExistingRDD[column_a#0,count#1]

另一种选择是使用pyspark.sql.Column.rlike http://spark.apache.org/docs/latest/api/python/pyspark.sql.html#pyspark.sql.Column.rlike代替like http://spark.apache.org/docs/latest/api/python/pyspark.sql.html#pyspark.sql.Column.like.

df2 = df.where(
    df['column_a'].rlike("|".join(["(" + pat + ")" for pat in list_a]))
)

df2.show()
#+------------+-----+
#|    column_a|count|
#+------------+-----+
#| some_string|   10|
#|third_string|   30|
#+------------+-----+

其中有对应的执行计划：

df2.explain()
#== Physical Plan ==
#*(1) Filter (isnotnull(column_a#0) && column_a#0 RLIKE (string)|(third))
#+- Scan ExistingRDD[column_a#0,count#1]