Alteryx regex_countmatches 在 PySpark 中等效？

Question

我正在将一些 alteryx 工作流迁移到 PySpark 任务，其中一部分遇到了以下过滤条件。

length([acc_id]) = 9
AND 
(REGEX_CountMatches(right([acc_id],7),"[[:alpha:]]")=0 AND 
REGEX_CountMatches(left([acc_id],2),"[[:alpha:]]")=2)
OR
(REGEX_CountMatches(right([acc_id],7),"[[:alpha:]]")=0 AND 
REGEX_CountMatches(left([acc_id],1),"[[:alpha:]]")=1 AND 
REGEX_CountMatches(right(left([acc_id],2),1), '9')=1 
)

有人可以帮我在 PySpark 数据框中重写这个条件吗？

Answer 1

您可以使用 size 和 split。您还需要对正则表达式使用 '[a-zA-Z]'，因为 Spark 不支持像 "[[:alpha:]]" 这样的表达式。

例如，

REGEX_CountMatches(right([acc_id],7),"[[:alpha:]]")=0

应该等同于（在 Spark SQL 中）

size(split(right(acc_id, 7), '[a-zA-Z]')) - 1 = 0

您可以将 Spark SQL 字符串直接放入 Spark 数据帧的过滤器子句中：

df2 = df.filter("size(split(right(acc_id, 7), '[a-zA-Z]')) - 1 = 0")

Answer 2

您可以使用 length with regexp_replace 获得 Alteryx 的 REGEX_CountMatches 函数的等价物：

REGEX_CountMatches(right([acc_id],7),"[[:alpha:]]")=0

变为：

# replace all non aplhapetic caracters with '' then get length
F.length(F.regexp_replace(F.expr("right(acc_id, 7)"), '[^A-Za-z]', '')) == 0

right and left 函数仅在 SQL 中可用，您可以在 expr.

中使用它们

完整示例：

from pyspark.sql import functions as F


df = spark.createDataFrame([("AB1234567",), ("AD234XG1234TT5",)], ["acc_id"])

def regex_count_matches(c: Column, regex: str) -> Column:
    """
    helper function equivalent to REGEX_CountMatches
    """
    return F.length(F.regexp_replace(c, regex, ''))


df.filter(
    (F.length("acc_id") == 9) &
    (
      (regex_count_matches(F.expr("right(acc_id, 7)"), '[^A-Za-z]') == 0)
      & (regex_count_matches(F.expr("left(acc_id, 2)"), '[^A-Za-z]') == 2)
    ) | (
      (regex_count_matches(F.expr("right(acc_id, 7)"), '[^A-Za-z]') == 0)
      & (regex_count_matches(F.expr("left(acc_id, 1)"), '[^A-Za-z]') == 1)
      & (regex_count_matches(F.expr("right(left(acc_id, 2), 1)"), '[^9]') == 1)
    )
).show()

#+---------+
#|   acc_id|
#+---------+
#|AB1234567|
#+---------+

Alteryx regex_countmatches 在 PySpark 中等效？

Alteryx regex_countmatches equivalent in PySpark?

dataframe

apache-spark

pyspark

alteryx