Pyspark数据帧过滤语法错误

Question

我正在使用Pyspark 1.6版的Pyspark数据帧。在将此数据帧导出为.CSV文件之前，我需要根据特定条件使用LIKE和OR运算符在一个特定列上过滤数据。为了说明我迄今为止所做的工作，我已经从多个.JSON文件创建了初始数据框。此数据框已被子集化，因此只包含所需的列。然后创建了一个sqlContext临时表。到目前为止，我尝试了两种不同的方法，使用sqlContext并使用Pyspark方法。

sqlContext方法：

df_filtered = sqlContext.sql("SELECT * from df WHERE text LIKE '#abc' OR 'abc' OR 'ghi' OR 'jkl' OR '#mno' OR '#1234' OR '56789'") 

这是我提出的运行sqlContext方法时出现错误消息：

pyspark.sql.utils.AnalysisException: u"cannot resolve '(text LIKE #abc || abc)' due to data type mismatch: differing types in '(text LIKE #abc || abc)' (boolean and string).;" 

pyspark方法：

df_filtered.where((df["text"].like ("#abc")) || ((brexit_april_2016["text"].like ("abc")) || ((brexit_april_2016["text"].like ("#ghi")) || ((brexit_april_2016["text"].like ("jkl")) || ((brexit_april_2016["text"].like ("#mno")) || ((brexit_april_2016["text"].like ("1234")) || ((brexit_april_2016["text"].like ("56789")) 

当运行pyspark方法给我一个语法错误。

我确信这件事很简单，我已经搞砸了，但我会很感激一些帮助。

谢谢！

Answer 1

df_filtered = df.filter(
    (df.text.like("#abc")) | (df.text.like("abc"))) 

在PySpark中应该使用“like”和or（“|”）。您可以根据要求添加更多条件。

我希望这会有所帮助。