这个问题与Pyspark有关。我正在读一个只有几列的TSV文件。一个特定的列是comment列。我的任务是根据语言筛选出行。例如,如果注释是俄语的,那么我希望过滤该行并将其保存在单独的文件中。在
现在,在阅读文件时,我正在使用下面的代码,这是制造数据帧。在
Info = sqlContext.read.format("csv"). \
option("delimiter","\t"). \
option("header", "True"). \
option("inferSchema", "True"). \
load("file.tsv")
DataFrame[ID: int Comments: string]
然后,我尝试使用ORD函数根据ASCII值筛选出记录:
^{pr2}$但是,我得到一个错误:
TypeError: argument 2 to map() must support iteration
样本输入:
Comments
{175:'Аксессуары'}
{156:'Горные'}
{45:'Кровати, диваны и кресла'}
{45:'Кровати, диваны и кресла'}
请提出一些解决办法。如有任何建议,不胜感激。在
更新时间:
@ags29
我已经通过编写这段代码纠正了我在评论中提到的错误。在
spark_ord=F.udf(lambda x: [ord(c) for c in x],t.ArrayType(IntegerType()))
Info=Info.withColumn('russ', spark_ord('Comments'))
DataFrame[ID: int, Comments: string, russ: array<int>]
现在的问题是它正在创建数组[Int]。我必须根据数组中的值筛选整行,该值应该小于128。在
我正在努力实现这个目标。请提出建议。在
@ags29谢谢你的建议。在
答案如下:
在通过读取上面提到的文件来创建数据帧之后,我们必须用一些值替换空值,在本例中,我将其替换为NA。在
然后,使用ORD函数创建UDF以查找字符串中每个字符的ASCII值。输出将是整数数组。在
^{pr2}$创建过滤器函数,根据大于127的ASCII字符过滤出值。在
在下面的最后一步中使用它。在
这还没有经过测试,但以下几点应该是可行的:
基本上,要将
ord
函数用于数据帧,您需要一个用户定义的函数。您尝试的方法需要RDD,而不是DataFrame相关问题 更多 >
编程相关推荐