Перетворити рядок pyspark у формат дати


80

У мене є дата-фрейм pyspark із рядком у форматі MM-dd-yyyy і я намагаюся перетворити його у стовпець дати.

Я намагався:

df.select(to_date(df.STRING_COLUMN).alias('new_date')).show()

і я отримую рядок нулів. Хто-небудь може допомогти?


Якщо ви не використовуєте один з аддонів TimeSeriesRDD (див. Конференцію Spark 2016 для деяких обговорень, я знаю двох, але обидва вони все ще розробляються), не так багато чудових інструментів для часових рядів. Відповідно, я виявив, що рідко коли є причина турбуватись перетворенням рядків в об'єкти дату-час, якщо ваша мета - це різні типи операцій groupByабо передискретизації. Просто виконайте їх на рядках стовпців.
Джефф

Аналіз проводитиметься з використанням мало чи ні, groupByа навпаки, поздовжніх досліджень медичних записів. Тому вміння маніпулювати датою важливо
Дженкс

Відповіді:


114

Оновлення (10.10.2018):

Для Spark 2.2+ найкращий спосіб зробити це, мабуть, використання функцій to_dateабо to_timestamp, які обидві підтримують formatаргумент. З документів:

>>> from pyspark.sql.functions import to_timestamp
>>> df = spark.createDataFrame([('1997-02-28 10:30:00',)], ['t'])
>>> df.select(to_timestamp(df.t, 'yyyy-MM-dd HH:mm:ss').alias('dt')).collect()
[Row(dt=datetime.datetime(1997, 2, 28, 10, 30))]

Оригінальна відповідь (для Spark <2.2)

Це можливо (переважно?) Зробити це без udf:

from pyspark.sql.functions import unix_timestamp, from_unixtime

df = spark.createDataFrame(
    [("11/25/1991",), ("11/24/1991",), ("11/30/1991",)], 
    ['date_str']
)

df2 = df.select(
    'date_str', 
    from_unixtime(unix_timestamp('date_str', 'MM/dd/yyy')).alias('date')
)

print(df2)
#DataFrame[date_str: string, date: timestamp]

df2.show(truncate=False)
#+----------+-------------------+
#|date_str  |date               |
#+----------+-------------------+
#|11/25/1991|1991-11-25 00:00:00|
#|11/24/1991|1991-11-24 00:00:00|
#|11/30/1991|1991-11-30 00:00:00|
#+----------+-------------------+

3
Це правильна відповідь. Використання udf для цього знищить вашу продуктивність.
gberger

8
from pyspark.sql.functions import from_unixtime, unix_timestamp
Quetzalcoatl

Зверніть увагу, що посилання на формат дати Java можна знайти тут: docs.oracle.com/javase/6/docs/api/java/text/…
RobinL

3
Також зверніть увагу, що to_date()з аргументом format - іскра 2.2+. to_dateіснував до 2.2, але варіант формату не існував
RobinL

41
from datetime import datetime
from pyspark.sql.functions import col, udf
from pyspark.sql.types import DateType



# Creation of a dummy dataframe:
df1 = sqlContext.createDataFrame([("11/25/1991","11/24/1991","11/30/1991"), 
                            ("11/25/1391","11/24/1992","11/30/1992")], schema=['first', 'second', 'third'])

# Setting an user define function:
# This function converts the string cell into a date:
func =  udf (lambda x: datetime.strptime(x, '%m/%d/%Y'), DateType())

df = df1.withColumn('test', func(col('first')))

df.show()

df.printSchema()

Ось результат:

+----------+----------+----------+----------+
|     first|    second|     third|      test|
+----------+----------+----------+----------+
|11/25/1991|11/24/1991|11/30/1991|1991-01-25|
|11/25/1391|11/24/1992|11/30/1992|1391-01-17|
+----------+----------+----------+----------+

root
 |-- first: string (nullable = true)
 |-- second: string (nullable = true)
 |-- third: string (nullable = true)
 |-- test: date (nullable = true)

6
Тут udfце не повинно бути необхідним, але вбудовані модулі для обробки цього є жорстокими. Це те, що я б зараз зробив.
Джефф

3
Чому дати в тестовій колонці не збігаються з першою колонкою? Так, зараз це тип дати, але дні та місяці не збігаються. Чи є причина?
Дженкс

1
тест видає неправильні значення для дати. Це не правильна відповідь.
Шехряр,

1
Будь-яке рішення з ОДС - це не відповідь, навряд чи обхідний шлях. Я не думаю, що є багато випадків використання, які ви не можете зробити, комбінуючи PSF та .transform ().
sumon c

28

Підхід strptime () для мене не працює. Я отримую ще одне чистіше рішення, використовуючи гіпс:

from pyspark.sql.types import DateType
spark_df1 = spark_df.withColumn("record_date",spark_df['order_submitted_date'].cast(DateType()))
#below is the result
spark_df1.select('order_submitted_date','record_date').show(10,False)

+---------------------+-----------+
|order_submitted_date |record_date|
+---------------------+-----------+
|2015-08-19 12:54:16.0|2015-08-19 |
|2016-04-14 13:55:50.0|2016-04-14 |
|2013-10-11 18:23:36.0|2013-10-11 |
|2015-08-19 20:18:55.0|2015-08-19 |
|2015-08-20 12:07:40.0|2015-08-20 |
|2013-10-11 21:24:12.0|2013-10-11 |
|2013-10-11 23:29:28.0|2013-10-11 |
|2015-08-20 16:59:35.0|2015-08-20 |
|2015-08-20 17:32:03.0|2015-08-20 |
|2016-04-13 16:56:21.0|2016-04-13 |

7
Дякую, такий підхід спрацював у мене! Якщо хтось хоче перетворити рядок на зразок 2008-08-01T14:45:37Zмітки часу замість дати, це df = df.withColumn("CreationDate",df['CreationDate'].cast(TimestampType()))працює добре ... (Spark 2.2.0)
Гаурав,

1
Я спробував цей варіант серед багатьох з піспарку AWS Glue, працює як шарм!
Аби

11

В оновленні прийнятої відповіді ви не бачите прикладу для to_dateфункції, тому іншим рішенням, що використовує її, буде:

from pyspark.sql import functions as F

df = df.withColumn(
            'new_date',
                F.to_date(
                    F.unix_timestamp('STRINGCOLUMN', 'MM-dd-yyyy').cast('timestamp')))

1
робити простий to_date () не працює, це правильна відповідь
ski_squaw

6

можливо, не так багато відповідей, тому ми думаємо поділитися своїм кодом, який може комусь допомогти

from pyspark.sql import SparkSession
from pyspark.sql.functions import to_date

spark = SparkSession.builder.appName("Python Spark SQL basic example")\
    .config("spark.some.config.option", "some-value").getOrCreate()


df = spark.createDataFrame([('2019-06-22',)], ['t'])
df1 = df.select(to_date(df.t, 'yyyy-MM-dd').alias('dt'))
print df1
print df1.show()

вихід

DataFrame[dt: date]
+----------+
|        dt|
+----------+
|2019-06-22|
+----------+

наведений вище код для перетворення на дату, якщо ви хочете перетворити дату і час, тоді скористайтеся to_timestamp. дайте мені знати, якщо у вас є сумніви.


1

Спробуйте це:

df = spark.createDataFrame([('2018-07-27 10:30:00',)], ['Date_col'])
df.select(from_unixtime(unix_timestamp(df.Date_col, 'yyyy-MM-dd HH:mm:ss')).alias('dt_col'))
df.show()
+-------------------+  
|           Date_col|  
+-------------------+  
|2018-07-27 10:30:00|  
+-------------------+  

7
Ви можете подумати про те, як ваша відповідь покращується щодо того, що вже було надано та прийнято.
chb
Використовуючи наш веб-сайт, ви визнаєте, що прочитали та зрозуміли наші Політику щодо файлів cookie та Політику конфіденційності.
Licensed under cc by-sa 3.0 with attribution required.