Pyspark levenshtein 连接错误

Question

我想执行基于 Levenshtein 距离的连接。

我有 2 个 table：

1. Data: 这是HDFS文件存储库中的CSV。其中一列是 Disease description，15K 行。
2. df7_ct_map: table 我从 Hive 呼叫。其中一列是 Disease Indication，20K 行。

我正在尝试通过将每个描述与指示相匹配（它们是疾病的文本描述）来加入两个 table。理想情况下，它们需要相同，但如果两个文本不同，我希望 select 匹配包含最大常用词数的文本。

from pyspark.sql.functions import levenshtein  
joinedDF = df7_ct_map.join( Data, levenshtein(df7_ct_map("description"), 
Data("Indication")) < 3)
joinedDF.show(10)

问题是 Data 是一个 DataFrame 这就是我收到以下错误的原因：

TypeError: 'DataFrame' object is not callable
TypeError                                 Traceback (most recent call last)
in engine
----> 1 joinedDF = df7_ct_map.join( Data, levenshtein(df7_ct_map("description"), Data("Indication")) < 3)

TypeError: 'DataFrame' object is not callable

有什么建议吗？我可以使用 Fuzzywuzzy 包吗？如果是，怎么做？

Answer 1

不是使用这个加入，而是另一个选项如下

newDF=df1.join(df2,levenshtein(df1['description'], df2['description']) < 3)

这将允许在连接 2 个数据帧时最多有 2 个字符的差异。

这可能有帮助。