我在这里看到了一些与我的问题类似的问题,但是当我尝试一些被接受的答案时,我的代码仍然有错误。我有一个包含三列的数据框架——创建的、文本和单词(这只是文本的标记化版本)。见下文:
现在,我有一个公司列表['Starbucks', 'Nvidia', 'IBM', 'Dell']
,我只想保留文本中包含上面这些词的行。
我试过几次,但没有成功:
small_DF.filter(lambda x: any(word in x.text for word in test_list))
返回:TypeError:条件应为string或Column
我尝试创建一个函数并使用foreach()
:
def filters(line):
return(any(word in line for word in test_list))
df = df.foreach(filters)
把df变成“Nonetype”
我最后一次尝试:
df = df.filter((col("text").isin(test_list))
这将返回一个空数据帧,这很好,因为我没有得到错误,但显然不是我想要的。
我认为
filter
不起作用,因为它需要lambda函数的布尔输出,而isin
只与列进行比较。您正在尝试将单词列表与单词列表进行比较。我试着给你一些指导-输出:
您的
.filter
返回一个错误,因为它是dataframes上的sql filter函数(需要BooleanType()
列),而不是rdd上的filter函数。如果要使用RDD,只需添加.rdd
:您不必使用UDF,您可以在pyspark中使用正则表达式,列上有
.rlike
:相关问题 更多 >
编程相关推荐