输入：

df.show()

+---+-----+------+
| id|Value|Value1|
+---+-----+------+
|  1|Text |   Avb|
|  2| 1504|  Test|
|  3|    1|     2|
+---+-----+------+

代码：

import pyspark.sql.functions as func
for col in df.columns:
    df = df.withColumn(col, func.ltrim(func.rtrim(df[col])))

输出：

df.show()

+---+-----+------+
| id|Value|Value1|
+---+-----+------+
|  1| Text|   Avb|
|  2| 1504|  Test|
|  3|    1|     2|
+---+-----+------+

在@osbon123的答案中使用***trim（）***函数。

from pyspark.sql.functions import trim

for c_name in df.columns:
    df = df.withColumn(c_name, trim(col(c_name)))

这是我见过的最干净（也是计算效率最高）的方法来删除所有列中的所有空格，如果你想用下划线替换空格，只需用"_"替换""。

# Standardize Column names no spaces to underscore
new_column_name_list = list(map(lambda x: x.replace(" ", ""), df.columns))
df = df.toDF(*new_column_name_list)

您可以使用DataFrame API中的dtypes函数来获取Cloudn名称及其数据类型的列表，然后对所有字符串列使用"trim"函数来修剪值。
此致，
内拉伊

你应该避免使用withColumn，因为它会创建一个新的DataFrame，这对于非常大的 Dataframe 来说是非常耗时的。我基于这个solution创建了下面的函数，但是现在它可以处理任何 Dataframe ，即使它有字符串和非字符串列。

from pyspark.sql import functions as F

def trim_string_columns(of_data: DataFrame) -> DataFrame:
  data_trimmed = of_data.select([
    (F.trim(c.name).alias(c.name) if isinstance(c.dataType, StringType) else c.name) for c in of_data.schema
  ])
  return data_trimmed