Modificar columnas del Marco de datos

Antes, filtrabas las filas que no se ajustaban a algo parecido a un nombre. Ahora, basándote en tu trabajo anterior, tu jefe te ha pedido que crees dos nuevas columnas: first_name y last_name. Te pide que dividas la columna VOTER_NAME en palabras sobre cualquier carácter de espacio. Tratarás la última palabra como last_name, y todas las demás como first_name. En este ejercicio utilizarás algunas funciones nuevas, como .split(), .size() y .getItem(). La dirección .getItem(index) toma un valor entero para devolver el elemento de la columna con el número correspondiente. Las funciones .split() y .size() están en la biblioteca pyspark.sql.functions.

Ten en cuenta que estas operaciones son siempre algo específico del caso de uso. Que tus datos se ajusten a un formato a menudo importa más que los detalles concretos del formato. Rara vez una tarea de limpieza de datos está pensada sólo para una persona: ajustarse a un formato definido permite compartir más fácilmente los datos más adelante (es decir, Paul no tiene que preocuparse de los nombres: Mary ya ha limpiado el conjunto de datos).

El DataFrame de votantes filtrado de tu ejercicio anterior está disponible en voter_df. La biblioteca pyspark.sql.functions está disponible con el alias F.

Este ejercicio forma parte del curso

Limpiar datos con PySpark

Ver curso

Instrucciones del ejercicio

Añade una nueva columna llamada splits que contenga la lista de nombres posibles.
Utiliza el método getItem() y crea una nueva columna llamada first_name.
Obtén la última entrada de la lista splits y crea una columna llamada last_name.
Suelta la columna splits y muestra la nueva voter_df.

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

# Add a new column called splits separated on whitespace
voter_df = voter_df.withColumn(____, F.____(voter_df.VOTER_NAME, '\s+'))

# Create a new column called first_name based on the first item in splits
voter_df = voter_df.withColumn(____, voter_df.splits.getItem(____)

# Get the last entry of the splits list and create a column called last_name
voter_df = voter_df.withColumn(____, voter_df.splits.getItem(F.____('splits') - ____))

# Drop the splits column
voter_df = voter_df.____('splits')

# Show the voter_df DataFrame
voter_df.show()

Editar y ejecutar código