F.regexp_replace() înlocuiește toate aparițiile care corespund unei expresii regulate dintr-o coloană cu un alt șir specificat (fiind indispensabilă pentru eliminarea caracterelor speciale, a spațiilor multiple sau a formatărilor non-standard din numerele de telefon).
Pentru extragerea grupurilor specifice de captură dintr-un text (ex. extragerea domeniului dintr-un email sau a codului poștal dintr-o adresă), se folosește funcția parteneră F.regexp_extract().
Exemplu: Standardizarea numerelor de telefon și extragerea domeniului din email
from pyspark.sql import functions as F
# Păstrează doar cifrele din numărul de telefon, eliminând parantezele, spațiile și cratimele:
df_curat = df.withColumn(
"telefon_cifre",
F.regexp_replace(F.col("telefon"), r"[^0-9]", "")
).withColumn(
"domeniu_email",
F.regexp_extract(F.col("email"), r"@([A-Za-z0-9.-]+)", 1)
)
df_curat.select("telefon", "telefon_cifre", "email", "domeniu_email").show(5)
Întrebări & Exemple de Cod:
Curățarea Textelor cu Expresii Regulate: regexp_replaceAi o nelămurire despre utilizarea comenzii
Curățarea Textelor cu Expresii Regulate: regexp_replacesau ai descoperit un truc / fragment de cod util? Distribuie-l cu ceilalți programatori!Fii primul care pune o întrebare sau distribuie un fragment de cod / prompt!
Nu au fost adăugate încă întrebări sau exemple de cod pentru această pagină. Dacă ai întâlnit o problemă sau ai un snippet util, adaugă-l mai jos pentru a-i ajuta pe ceilalți.