可以使用 PyODPS 的 trim 函数和 pandas 的 dropna 函数来实现这个目标。 首先，使用 PyODPS 获取数据表并将其转换为 pandas DataFrame：

python

from odps import ODPS import pandas as pd

创建 ODPS 连接

access_id = 'your_access_id' access_key = 'your_access_key' project = 'your_project_name' end_point = 'your_end_point' o = ODPS(access_id, access_key, project, end_point)

获取数据表

table_name = 'your_table_name' table = o.get_table(table_name)

将数据表转换为 pandas DataFrame

df = table.to_df()

然后，使用 pandas 的 str.len() 方法获取每个元素的长度，并使用 dropna() 方法删除空值：

python

获取长度为 0 的列

column_name = 'your_column_name' length_zero = df[column_name].str.trim().str.len() == 0 not_null = df[column_name].notnull() result = df[length_zero & not_null]

可以使用PyODPS的DataFrame API来实现这个需求。具体操作步骤如下：

1. 使用df.trim()方法来去除字符串列的前后空格。
2. 使用df.apply()方法来应用一个自定义函数，该函数返回一个布尔值，表示该列是否符合条件。
3. 使用df.loc[]方法来选择符合条件的行。 下面是一个示例代码：

import odps
from odps import options
from odps.df import DataFrame

options.sql.use_odps2_extension = True

# 创建ODPS连接
o = odps.ODPS('your_access_id', 'your_access_key', 'your_project', 'your_endpoint')

# 读取表数据
df = DataFrame(o.get_table('your_table'))

# 定义自定义函数
def is_valid(s):
    return len(s.strip()) == 0 and s is not None

# 应用自定义函数并选择符合条件的行
result = df.loc[df.apply(lambda x: is_valid(x['your_column']), axis=1)]

# 输出结果
print(result)

'your_access_id'、'your_access_key'、'your_project'和'your_endpoint'需要替换为您自己的ODPS连接信息，'your_table'和'your_column'需要替换为您要操作的表和列名。

• 可以使用以下代码来得到 df 某一列 trim 后长度为 0，且不为 null 的数量:

from odps.df import Scalar
from odps import types

# 假设您要操作的 DataFrame 名称为 df，某一列名称为 col_name
# 先使用 trim 函数将该列中的字符串前后空格去除
trimmed_col = df[col_name].trim()

# 统计符合条件的记录数
count = df.filter((Scalar(trimmed_col) == '').ifelse(1, 0).astype(types.boolean) & df[col_name].notnull()).count().execute()

这段代码的逻辑是：

• 使用 trim 函数将目标列中的字符串的前后空格去除，生成一个新的被 trim 后的列 trimmed_col；
• 使用 filter 函数筛选出满足条件的记录，注意要加上 & df[col_name].notnull() 条件，以排除 null 值。在这里，我们使用 Scalar 函数将一个 Python 值转化为一个 ODPS 语义的标量，即将 trimmed_col == '' 转化为一个标量（即一个包含一个元素的 DataFrame），然后使用 ifelse 函数将其转化为 0 或 1 的值，并将其转化为 boolean 类型。这样就可以排除掉符合要求的 null 值了。
• 使用 count 函数统计得到满足条件的记录数。

最后，可以输出 count 值，或将它存储到其他变量中进行进一步的处理。

可以使用 pandas 库的 str 属性中的 strip() 和 len() 方法来实现，例如：

import pandas as pd
from odps.df import DataFrame

# 假设需要筛选的列名为 'col'
odps_df = DataFrame.from_table('table_name')

# 转换为 pandas 的 DataFrame
pandas_df = odps_df.to_pandas()

# 使用 pandas 的 str 属性中的 strip() 和 len() 方法进行筛选
filtered_df = pandas_df[pandas_df['col'].str.strip().apply(len) > 0]

# 转换回 odps 的 DataFrame
result_odps_df = DataFrame(filtered_df)

上述代码中，将 odps 的 DataFrame 转换为 pandas 的 DataFrame，使用 str 属性中的 strip() 和 len() 方法进行筛选，再将结果转换回 odps 的 DataFrame。其中 strip() 方法用于删除字符串两端的空格，apply(len) 方法是将每个单元格中的字符串应用 len() 函数，得到长度，>0即表示长度不为零。