我想对Spark Dataframe的一列执行基本的词干处理,通过替换子字符串来实现。最快的方法是什么?
在我的当前用例中,我有一个地址列表,我想要进行规范化。例如,这个数据框:
id address
1 2 foo lane
2 10 bar lane
3 24 pants ln
会变成
id address
1 2 foo ln
2 10 bar ln
3 24 pants ln
我想对Spark Dataframe的一列执行基本的词干处理,通过替换子字符串来实现。最快的方法是什么?
在我的当前用例中,我有一个地址列表,我想要进行规范化。例如,这个数据框:
id address
1 2 foo lane
2 10 bar lane
3 24 pants ln
会变成
id address
1 2 foo ln
2 10 bar ln
3 24 pants ln
from pyspark.sql.functions import *
newDf = df.withColumn('address', regexp_replace('address', 'lane', 'ln'))
withColumn
来向数据框中添加(或替换,如果名称已存在)一列。regexp_replace
将通过替换所有与模式匹配的子字符串来生成一个新列。对于Scala
import org.apache.spark.sql.functions.regexp_replace
import org.apache.spark.sql.functions.col
data.withColumn("addr_new", regexp_replace(col("addr_line"), "\\*", ""))