从 DataFrame 列的列表中删除空字符串

Question

我有一个 DataFrame 列，其中包含一个包含一些空值的列表：

df.select('foo').show(10)
+----------+
|foo       |
+----------+
|[,]       |
|[bar, baz]|
|[,bar]    |
+----------+

我想过滤掉所有空值，即它应该如下所示：

+----------+
|foo       |
+----------+
|null      |
|[bar, baz]|
|[bar]     |
+----------+

我尝试使用 array_remove，但我无法排除空字符串。

Answer 1

你可以用过滤的方法来做

df.withColumn("newColumn", expr("filter(foo, elem -> elem != '')")).show

如果您不想保留原来的列，您可以使用相同的名称：

df.withColumn("foo", expr("filter(foo, elem -> elem != '')")).show

结果（保留两列）

+----------+----------+
|       foo|    foonew|
+----------+----------+
|      [, ]|        []|
|[bar, baz]|[bar, baz]|
|   [, bar]|     [bar]|
+----------+----------+

Answer 2

请使用这个，预期输出仅使用过滤功能

from pyspark.sql.functions import expr, when, size, lit
from pyspark.sql.session import SparkSession

spark = SparkSession.builder.getOrCreate()

spark.createDataFrame([[[None, None]],
                       [['bar', 'bar']],
                       [[None, 'bar']]],
                      schema=['foo']) \
    .withColumn('foo', when(size(expr("filter(foo, elem -> elem != '')")) == 0, lit(None))
                .otherwise(expr("filter(foo, elem -> elem != '')"))) \
    .show(truncate=False)

+----------+
|foo       |
+----------+
|null      |
|[bar, bar]|
|[bar]     |
+----------+

从 DataFrame 列的列表中删除空字符串

Remove empty strings from list in DataFrame column

apache-spark

pyspark

apache-spark-sql

pyspark-dataframes