Pyspark 数据帧过滤语法错误

Question

我正在使用 Pyspark 1.6 版处理 Pyspark 数据框。在将此数据框导出到 .CSV 文件之前，我需要根据特定条件在特定列上使用 LIKE 和 OR 运算符来过滤数据。为了向您介绍我到目前为止所做的事情，我从多个 .JSON 文件创建了初始数据框。此数据框已被子集化，因此仅包含必需的列。然后创建了一个临时的 sqlContext table。到目前为止，我已经尝试了两种不同的方法，使用 sqlContext 和使用 Pyspark 方法。

sqlContext 方法：

df_filtered = sqlContext.sql("SELECT * from df WHERE text LIKE '#abc' OR 'abc' OR 'ghi' OR 'jkl' OR '#mno' OR '#1234' OR '56789'")

这是运行 sqlContext 方法时出现的错误消息：

pyspark.sql.utils.AnalysisException: u"cannot resolve '(text LIKE #abc || abc)' due to data type mismatch: differing types in '(text LIKE #abc || abc)' (boolean and string).;"

pyspark 方法：

df_filtered.where((df["text"].like ("#abc")) || ((brexit_april_2016["text"].like ("abc")) || ((brexit_april_2016["text"].like ("#ghi")) || ((brexit_april_2016["text"].like ("jkl")) || ((brexit_april_2016["text"].like ("#mno")) || ((brexit_april_2016["text"].like ("1234")) || ((brexit_april_2016["text"].like ("56789"))

当运行 pyspark 方法出现语法错误时。

我确定这是我搞砸了的非常简单的事情，但我希望得到一些帮助。

谢谢！

Answer 1

df_filtered = df.filter(
    (df.text.like("#abc")) | (df.text.like("abc")))

"like" and or ("|") 在 PySpark 中应该这样使用。您可以根据需要添加更多条件。

希望对您有所帮助。

Pyspark 数据帧过滤语法错误

Pyspark Data Frame Filtering Syntax Error

pyspark

pyspark-sql