与一组停用词匹配并替换为 Pyspark 中的空白

Question

我在表格中有地址列，如下所示 >>> spark.sql("select add1 from test").show(10,False)+---------------------------+|add1                       |+---------------------------+|PO BOX 1111DUBAI  UAE      ||P.O. BOX 2222DUBAI - U.A.E|+---------------------------+我必须匹配一组单词并将它们从列中删除只是为了比较目的我能够用空格替换单个单词，如下所示（在本例中为“UAE”）spark.sql("select regexp_replace(add1,'UAE','') from test").show(10,False)+---------------------------+|regexp_replace(add1, UAE, )|+---------------------------+|PO BOX 1111DUBAI           ||P.O. BOX 2222DUBAI - U.A.E|+---------------------------+但我想删除所有特殊字符和一组停用词，例如 {'UAE','UAE', 'UA E', 'PO', 'P O'}期望的输出：spark.sql("select regexp_replace(add1,'UAE','') from test").show(10,False)+---------------------------+|regexp_replace(add1, UAE, )|+---------------------------+|1111DUBAI                  ||2222DUBAI                  |+---------------------------+有人可以帮我实现这个目标吗，谢谢！

Answer 1

以下是您可以如何做到的。希望它能解决您所有的案件。

from pyspark.sql import functions as F

stop_words = {'UAE','U.A.E', 'U A E', 'PO', 'P O', 'BOX'}

df2 = df.withColumn(

    "add1",

    F.regexp_replace(F.col("add1"), r"[^a-zA-Z0-9\s]", "")

)

for stop_word in stop_words: 

    df2 = df2.withColumn(

        "add1",

        F.trim(F.regexp_replace(F.col("add1"), stop_word, ""))

    )

df2.show()

+---------+

|     add1|

+---------+

|1111DUBAI|

|2222DUBAI|

+---------+