使用PySpark删除所有列名中的特殊字符

Question

我正在尝试从所有列中删除所有特殊字符。 我正在使用以下命令：

import pyspark.sql.functions as F

df_spark = spark_df.select([F.col(col).alias(col.replace(' ', '_')) for col in df.columns])
df_spark1 = df_spark.select([F.col(col).alias(col.replace('%', '_')) for col in df_spark.columns])
df_spark = df_spark1.select([F.col(col).alias(col.replace(',', '_')) for col in df_spark1.columns])
df_spark1 = df_spark.select([F.col(col).alias(col.replace('(', '_')) for col in df_spark.columns])
df_spark2 = df_spark1.select([F.col(col).alias(col.replace(')', '_')) for col in df_spark1.columns])

是否有一种更简单的方法，在一个命令中替换所有特殊字符（不仅限于上述5个）？我正在使用Databricks上的PySpark。

- user13766314

Answer 1

您可以替换任何字符，除了A-z和0-9

import pyspark.sql.functions as F
import re

df = df.select([F.col(col).alias(re.sub("[^0-9a-zA-Z$]+","",col)) for col in df.columns])

- Shubham Jain

---

很奇怪，我收到了一个错误：AttributeError：'DataFrame'对象没有属性'select'。你确定这是用Python编写的吗？ - Garglesoap

@Garglesoap，如果select不是属性，您可以使用pandas数据框而不是pyspark数据框。 - Chappy Hickens

Answer 2

使用Python中的re（正则表达式）模块与列表推导式一同使用。

示例：

df=spark.createDataFrame([('a b','ac','ac','ac','ab')],["i d","id,","i(d","i)k","i%j"])

df.columns
#['i d', 'id,', 'i(d', 'i)k', 'i%j']

import re

#replacing all the special characters using list comprehension
[re.sub('[\)|\(|\s|,|%]','',x) for x in df.columns]
#['id', 'id', 'id', 'ik', 'ij']

df.toDF(*[re.sub('[\)|\(|\s|,|%]','',x) for x in df.columns])
#DataFrame[id: string, id: string, id: string, ik: string, ij: string]

- notNull

Answer 3

re.sub('[^\w]', '_', c) 将标点符号和空格替换为下划线 _。

测试结果：

from pyspark.sql import SparkSession
import re

spark = SparkSession.builder.getOrCreate()
df = spark.createDataFrame([(1, 2, 3, 4)], [' 1', '%2', ',3', '(4)'])

df = df.toDF(*[re.sub('[^\w]', '_', c) for c in df.columns])
df.show()

#  +---+---+---+---+
#  | _1| _2| _3|_4_|
#  +---+---+---+---+
#  |  1|  2|  3|  4|
#  +---+---+---+---+

去除标点符号 + 用_代替空格：

re.sub('[^\w ]', '', c).replace(' ', '_')

- ZygD

Answer 4

也许这很有用 -

 // [^0-9a-zA-Z]+ => this will remove all special chars
    spark.range(2).withColumn("str", lit("abc%xyz_12$q"))
      .withColumn("replace", regexp_replace($"str", "[^0-9a-zA-Z]+", "_"))
      .show(false)

    /**
      * +---+------------+------------+
      * |id |str         |replace     |
      * +---+------------+------------+
      * |0  |abc%xyz_12$q|abc_xyz_12_q|
      * |1  |abc%xyz_12$q|abc_xyz_12_q|
      * +---+------------+------------+
      */

    // if you don't want to remove some special char like $ etc, include it [^0-9a-zA-Z$]+
    spark.range(2).withColumn("str", lit("abc%xyz_12$q"))
      .withColumn("replace", regexp_replace($"str", "[^0-9a-zA-Z$]+", "_"))
      .show(false)

    /**
      * +---+------------+------------+
      * |id |str         |replace     |
      * +---+------------+------------+
      * |0  |abc%xyz_12$q|abc_xyz_12$q|
      * |1  |abc%xyz_12$q|abc_xyz_12$q|
      * +---+------------+------------+
      */

- Som