如何 select 所有以公共标签开头的列

Question

我在 Spark 1.6 中有一个数据框，我想 select 从中提取一些列。列名如下：

colA, colB, colC, colD, colE, colF-0, colF-1, colF-2

我知道我可以对 select 特定列执行此操作：

df.select("colA", "colB", "colE")

但是如何 select、"colA"、"colB" 以及所有的 colF-* 列？有没有像中那样的方法？

Answer 1

首先获取带有 df.columns 的列名，然后筛选出您想要的列名 .filter(_.startsWith("colF"))。这为您提供了一个字符串数组。但是 select 需要 select(String, String*)。幸运的是，列的 select 是 select(Column*)，所以最终将字符串转换为 .map(df(_)) 的列，最后将列数组转换为 : _*.[=19 的 var arg =]

df.select(df.columns.filter(_.startsWith("colF")).map(df(_)) : _*).show

此过滤器可以做得更复杂（与 Pandas 相同）。然而，这是一个相当丑陋的解决方案（IMO）：

df.select(df.columns.filter(x => (x.equals("colA") || x.startsWith("colF"))).map(df(_)) : _*).show

如果其他列的列表是固定的，您还可以将固定的列名数组与过滤后的数组合并。

df.select((Array("colA", "colB") ++ df.columns.filter(_.startsWith("colF"))).map(df(_)) : _*).show

Answer 2

我写了一个函数来做到这一点。阅读评论以了解其工作原理。

  /**
    * Given a sequence of prefixes, select suitable columns from [[DataFrame]]
    * @param columnPrefixes Sequence of prefixes
    * @param dF Incoming [[DataFrame]]
    * @return [[DataFrame]] with prefixed columns selected
    */
  def selectPrefixedColumns(columnPrefixes: Seq[String], dF: DataFrame): DataFrame = {
    // Find out if given column name matches any of the provided prefixes
    def colNameStartsWith: String => Boolean = (colName: String) =>
        columnsPrefix.map(prefix => colName.startsWith(prefix)).reduce(_ || _)
    // Filter columns list by checking against given prefixes sequence
    val columns = dF.columns.filter(colNameStartsWith)
    // Select filtered columns list
    dF.select(columns.head, columns.tail:_*)
  }

Answer 3

Python（在 Azure Databricks 中测试）

selected_columns = [column for column in df.columns if column.startswith("colF")]
df2 = df.select(selected_columns)

Answer 4

在 PySpark 中，使用：colRegex 到 select 以 colF 开头的列白色样品：

colA, colB, colC, colD, colE, colF-0, colF-1, colF-2

申请：

df.select(col("colA"), col("colB"), df.colRegex("`(colF)+?.+`")).show()

结果是：

colA, colB, colF-0, colF-1, colF-2

如何 select 所有以公共标签开头的列

how to select all columns that starts with a common label

scala

apache-spark

spark-dataframe