在我的例子中，我有一个包含一些生物数据的数据框，这些数据是：蛋白质名称、ecnumber（可能不止一个）和蛋白质域（也可能不止一个域）。数据框是一列，包含所有这些数据，我想将其拆分为三列，但问题是，如果拆分一行（包含多个ecnumber），则第二个ecnumber将转到第三列，然后域将消失。
这是我的密码：
val df = rdd.toDF()
val mydf = df.withColumn("_tmp", split($"value", ";")).select(
$"_tmp".getItem(0).as("Entry"),
$"_tmp".getItem(1).as("ECnumber"),
$"_tmp".getItem(2).as("Domains")这是输入图像描述的结果
1条答案
按热度按时间watbbzwu1#
根据提供的引用数据，我发现您可以使用以下正则表达式将数据检索到独立的列中（通过使用正则表达式进行提取）：
例如，如果Dataframe值具有以下值：
现在使用正则表达式，可以从Dataframe值中提取独立值：
上图：将在相应的变量中检索所有值：1.）条目：条目字符串2.）ecnumbers：由分号分隔的完整ecnumbers字符串。字符串末尾将出现分号。
3.）域：用分号分隔的完整域字符串。
注意：如果由于任何原因，Dataframe值不是预期的值，则会引发matcherror异常。
在下面的代码中只是打印变量信息。