Ongeldige rijen verwijderen

Nu je de commentaarregels hebt verwijderd, heb je wat informatie gekregen over het algemene formaat van de data. Er moeten minimaal 5 met tabs gescheiden kolommen in de DataFrame staan. Onthoud dat je oorspronkelijke DataFrame maar één kolom heeft, dus je moet de data splitsen op het tab-teken (\t).

De DataFrame annotations_df is al beschikbaar, met de commentaarregels verwijderd. De bibliotheek spark.sql.functions is beschikbaar onder de alias F. Het oorspronkelijke aantal rijen in de DataFrame is opgeslagen in de variabele initial_count.

Deze oefening maakt deel uit van de cursus

Data opschonen met PySpark

Bekijk cursus

Oefeninstructies

Maak een nieuwe variabele tmp_fields door de kolom '_c0' van de DataFrame annotations_df te splitsen op het tab-teken.
Maak een nieuwe kolom in annotations_df met de naam 'colcount' die het aantal velden uit de vorige stap voorstelt.
Filter alle rijen uit annotations_df met minder dan 5 velden.
Tel het aantal rijen in de DataFrame en vergelijk dit met initial_count.

Interactieve oefening met praktijkervaring

Probeer deze oefening door deze voorbeeldcode aan te vullen.

# Split _c0 on the tab character and store the list in a variable
tmp_fields = ____(annotations_df['_c0'], ____)

# Create the colcount column on the DataFrame
annotations_df = annotations_df.____('____', ____(____))

# Remove any rows containing fewer than 5 fields
annotations_df_filtered = annotations_df.____(~ (____))

# Count the number of rows
final_count = ____
print("Initial count: %d\nFinal count: %d" % (initial_count, final_count))

Code bewerken en uitvoeren