将pyspark字符串转换为日期格式

Jen*_*nks 56 apache-spark apache-spark-sql pyspark pyspark-sql

我有一个日期pyspark数据帧,其格式为字符串列MM-dd-yyyy,我试图将其转换为日期列.

我试过了:

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

我得到一串空值.有人可以帮忙吗?

san*_*ton 74

没有udf可以(优先?)这样做:

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|
#+----------+-------------------+
Run Code Online (Sandbox Code Playgroud)

更新(1/10/2018):

对于Spark 2.2+,最好的方法是使用to_date或者to_timestamp函数,它们都支持format参数.来自文档:

>>> 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))]
Run Code Online (Sandbox Code Playgroud)

  • 从pyspark.sql.functions导入from_unixtime,unix_timestamp (7认同)
  • 这是正确的答案.使用udf会破坏你的表现. (3认同)
  • 另请注意,带有format参数的`to_date()`是spark 2.2+.`to_date`在2.2之前存在,但格式选项不存在 (3认同)

Hug*_*yes 39

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()
Run Code Online (Sandbox Code Playgroud)

这是输出:

+----------+----------+----------+----------+
|     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)
Run Code Online (Sandbox Code Playgroud)

  • 这里不需要`udf`,但处理这个问题的内置插件非常糟糕.这也是我现在要做的. (5认同)
  • 为什么测试列中的日期与第一列不匹配?是的,它现在是日期类型,但日期和月份不匹配.有原因吗? (3认同)
  • 测试给出了不正确的日期值。这不是正确的答案。 (2认同)
  • 使用udf会破坏你的表现. (2认同)

小智 23

strptime()方法对我不起作用.我得到另一个清洁解决方案,使用演员:

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 |
Run Code Online (Sandbox Code Playgroud)

  • 谢谢,这种方法对我有用!如果有人想将像'2008-08-01T14:45:37Z`这样的字符串转换为时间戳而不是日期,`df = df.withColumn("CreationDate",df ['CreationDate'].cast(TimestampType() ))`效果很好......(Spark 2.2.0) (6认同)

San*_*nda 9

可能没有那么多答案,所以想分享我可以帮助某人的代码

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()
Run Code Online (Sandbox Code Playgroud)

输出

DataFrame[dt: date]
+----------+
|        dt|
+----------+
|2019-06-22|
+----------+
Run Code Online (Sandbox Code Playgroud)

上面的代码转换为日期如果你想转换日期时间然后使用to_timestamp。如果您有任何疑问,请告诉我。


Man*_*que 7

在接受的答案更新中,您没有看到该to_date函数的示例,因此使用该函数的另一种解决方案是:

from pyspark.sql import functions as F

df = df.withColumn(
            'new_date',
                F.to_date(
                    F.unix_timestamp('STRINGCOLUMN', 'MM-dd-yyyy').cast('timestamp'))
Run Code Online (Sandbox Code Playgroud)

  • 做一个简单的 to_date() 不起作用,这是正确的答案 (3认同)