你可以 coalesce 这个 when 如果你有很多条件要匹配的话。还可以使用字典保存要转换的列，并构造 when 动态地使用dict理解语句。至于四舍五入到小数点后1位，你可以用 round .

import pyspark.sql.functions as F

xyz_dict = {'x': ['LB','LWB','LF'],
            'y': ['RF','LCM'],
            'z': ['LM','RS']}

df2 = df.withColumn(
    'colC',
    F.coalesce(*[F.when(F.col('colC').isin(v), k) for (k, v) in xyz_dict.items()])
).withColumn(
    'colB',
    F.round('colB', 1)
)

df2.show()
+---+----+----+----+
| ID|colA|colB|colC|
+---+----+----+----+
|ID1|   3| 5.9|   x|
|ID2|   4|12.7|   y|
|ID3|   2|20.8|   y|
|ID4|   1| 2.0|   x|
|ID5|   6| 3.0|   x|
|ID6|   7| 4.0|   z|
|ID7|   8| 5.0|   z|
+---+----+----+----+

你可以用 replace 在dataframe上替换 colC 通过传递Map的dict对象。以及 round 函数来限制 colB :

from pyspark.sql import functions as F

replacement = {
    "LB": "x", "LWB": "x", "LF": "x",
    "RF": "y", "LCM": "y",
    "LM": "z", "RS": "z"
}

df1 = df.replace(replacement, ["colC"]).withColumn("colB", F.round("colB", 1))

df1.show()

# +---+----+----+----+

# | ID|colA|colB|colC|

# +---+----+----+----+

# |ID1|   3| 5.9|   x|

# |ID2|   4|12.7|   y|

# |ID3|   2|20.8|   y|

# |ID4|   1| 2.0|   x|

# |ID5|   6| 3.0|   x|

# |ID6|   7| 4.0|   z|

# |ID7|   8| 5.0|   z|

# +---+----+----+----+

您还可以使用isin函数：

from pyspark.sql.functions import col, when

x = ['LB','LWB','LF']
y = ['LCM','RF']
z = ['LM','RS']

df = df.withColumn('ColC', when(col('colC').isin(x), "x")\
                  .otherwise(when(col('colC').isin(y), "y")\
                  .otherwise(when(col('colC').isin(z), "z")\
                  .otherwise(df.ColC))))

如果你有几个列表中有太多的值，那么你的复杂性比blackbishop答案要小，但在这个问题上，他的答案更简单。

您还可以使用regexp\u replace尝试使用正则表达式：

import pyspark.sql.functions as f

replacements = [
    ("(LB)|(LWB)|(LF)", "x"),
    ("(LCM)|(RF)", "y"),
    ("(LM)|(RS)", "z")
]
for x, y in replacements:
    df = df.withColumn("colC", f.regexp_replace("colC", x, y))