我有一个pyspark dataframe列，名为：
| name |--------------|Lebron James||Kyrie Irving||Kevin Durant|
我想创建一个新列，如下所示：
| name | trigram |-----------------------------------------|Lebron James| Leb ebr bro on Jam ame es|Kyrie Irving| ...|Kevin Durant| ...
到目前为止我已经
df.withColumn("trigram", regex_replace(col("name"), "([A-Za-z0-9\s]{3})(?!$)", r"$1 "))
但这会产生：
| name | trigram |--------------------------------------|Lebron James| Leb ron Ja mes|Kyrie Irving| Kyr ie Irv ing|Kevin Durant| Kev in Dur ant
注意：重要的是不要使用自定义项。我可以简单地使用自定义项和列表理解来做我想做的事情，但是我希望以最理想的方式来做，因为实际数据有数亿行
1条答案
按热度按时间lp0sw83n1#
你可以用
查看regex演示。细节：
(?=(.{3}))-一个积极的前瞻，捕捉到（第1组，$1)除换行符以外的三个字符立即位于当前位置的右侧.-除换行符以外的任何字符，被消耗（它将被删除，并被从这个字符开始的3个字符替换）。