删除 pyspark 数据框列中的非 ascii 和特殊字符

Question

我正在从大约有 50 列的 csv 文件中读取数据，其中少数列（4 到 5）包含具有非 ASCII 字符和特殊字符的文本数据。

df = spark.read.csv(path, header=True, schema=availSchema)

我正在尝试删除所有非 Ascii 字符和特殊字符，只保留英文字符，我尝试按如下方式进行操作

df = df['textcolumn'].str.encode('ascii', 'ignore').str.decode('ascii')

我的列名中没有空格。我收到一个错误

TypeError: 'Column' object is not callable
---------------------------------------------------------------------------
TypeError                                 Traceback (most recent call last)
<command-1486957561378215> in <module>
----> 1 InvFilteredDF = InvFilteredDF['SearchResultDescription'].str.encode('ascii', 'ignore').str.decode('ascii')

TypeError: 'Column' object is not callable

是否有替代方法来完成此操作，感谢您对此的任何帮助。

Answer 1

这应该有效。

首先创建一个临时示例数据框：

df = spark.createDataFrame([
    (0, "This is Spark"),
    (1, "I wish Java could use case classes"),
    (2, "Data science is  cool"),
    (3, "This is ï»¿aSA")
], ["id", "words"])

df.show()

输出

+---+--------------------+
| id|               words|
+---+--------------------+
|  0|       This is Spark|
|  1|I wish Java could...|
|  2|Data science is  ...|
|  3|      This is ï»¿aSA|
+---+--------------------+

现在写一个UDF，因为你使用的那些函数不能直接在列类型上执行，你会得到Column object not callable error

解决方案

from pyspark.sql.functions import udf

def ascii_ignore(x):
    return x.encode('ascii', 'ignore').decode('ascii')

ascii_udf = udf(ascii_ignore)

df.withColumn("foo", ascii_udf('words')).show()

输出

+---+--------------------+--------------------+
| id|               words|                 foo|
+---+--------------------+--------------------+
|  0|       This is Spark|       This is Spark|
|  1|I wish Java could...|I wish Java could...|
|  2|Data science is  ...|Data science is  ...|
|  3|      This is ï»¿aSA|         This is aSA|
+---+--------------------+--------------------+

Answer 2

这个答案对我来说效果很好，但它不喜欢 NULL。我添加了一个小 mod:

def ascii_ignore(x):
  if x:
    return x.encode('ascii', 'ignore').decode('ascii')
  else:
    return None

删除 pyspark 数据框列中的非 ascii 和特殊字符

Removing non-ascii and special character in pyspark dataframe column

python

pyspark

apache-spark-sql

pyspark-sql

azure-databricks