如何选择以通用标签开头的所有列

Question

我在Spark 1.6中有一个数据帧，只想从中选择一些列。列名称如下所示：

colA, colB, colC, colD, colE, colF-0, colF-1, colF-2

我知道我可以这样做来选择特定的列：

df.select("colA", "colB", "colE")

但是如何一次选择，说"colA"、"colB"和所有 colF-* 列？有没有像熊猫一样的方法？

Answer 1

该过程可以分解为以下步骤：

1. 首先用df.columns抓取列名，
2. 然后向下筛选到要.filter(_.startsWith("colF"))的列名。这为您提供了一个字符串数组。
3. 但是选择需要select(String, String*).幸运的是，选择列是select(Column*)，所以最后将字符串转换为带有.map(df(_))的列，
4. 最后将列数组转换为带有 : _* 的 var arg .

df.select(df.columns.filter(_.startsWith("colF")).map(df(_)) : _*).show

这个过滤器可以做得更复杂（与熊猫一样）。然而，这是一个相当丑陋的解决方案（IMO）：

df.select(df.columns.filter(x => (x.equals("colA") || x.startsWith("colF"))).map(df(_)) : _*).show 

如果其他列的列表是固定的，您还可以将固定的列名数组与过滤数组合并。

df.select((Array("colA", "colB") ++ df.columns.filter(_.startsWith("colF"))).map(df(_)) : _*).show

Answer 2

Python （在 Azure Databricks 中测试）

selected_columns = [column for column in df.columns if column.startswith("colF")]
df2 = df.select(selected_columns)

Answer 3

在 PySpark 中，使用： colRegex 选择以 colF 开头的列打样品：

colA, colB, colC, colD, colE, colF-0, colF-1, colF-2

应用：

df.select(col("colA"), col("colB"), df.colRegex("`(colF)+?.+`")).show()

结果是：

colA, colB, colF-0, colF-1, colF-2

Answer 4

我写了一个函数来做到这一点。阅读评论以了解其工作原理。

  /**
    * Given a sequence of prefixes, select suitable columns from [[DataFrame]]
    * @param columnPrefixes Sequence of prefixes
    * @param dF Incoming [[DataFrame]]
    * @return [[DataFrame]] with prefixed columns selected
    */
  def selectPrefixedColumns(columnPrefixes: Seq[String], dF: DataFrame): DataFrame = {
    // Find out if given column name matches any of the provided prefixes
    def colNameStartsWith: String => Boolean = (colName: String) =>
        columnsPrefix.map(prefix => colName.startsWith(prefix)).reduce(_ || _)
    // Filter columns list by checking against given prefixes sequence
    val columns = dF.columns.filter(colNameStartsWith)
    // Select filtered columns list
    dF.select(columns.head, columns.tail:_*)
  }