在pyspark数据框中生成两个日期之间的每月时间戳

Question

我有一些带有"date"列的DataFrame，并且我试图生成一个新的DataFrame，其中包含该"date"列的最小和最大日期之间的所有每月时间戳记。

解决方案之一如下：

month_step = 31*60*60*24

min_date, max_date = df.select(min_("date").cast("long"), max_("date").cast("long")).first()

df_ts = spark.range(
    (min_date / month_step) * month_step, 
    ((max_date / month_step) + 1) * month_step,
    month_step
).select(col("id").cast("timestamp").alias("yearmonth"))

df_formatted_ts = df_ts.withColumn(
    "yearmonth",
    f.concat(f.year("yearmonth"), f.lit('-'), format_string("%02d", f.month("yearmonth")))
).select('yearmonth')

df_formatted_ts.orderBy(asc('yearmonth')).show(150, False)

问题是我花了month_step31天的时间，但这并不正确，因为有些月份有30天，甚至28天。有可能以某种方式使其更加精确吗？

请注意：以后我只需要年和月的值，所以我将忽略日期和时间。但是无论如何，因为我正在生成一个很大的日期范围（在2001年至2018年之间）之间的时间戳，所以时间戳在变化。

这就是为什么有时会跳过几个月的原因。例如，此快照缺少2010-02：

|2010-01  |
|2010-03  |
|2010-04  |
|2010-05  |
|2010-06  |
|2010-07  |

我检查了一下，从2001年到2018年仅跳过了3个月。

Answer 1

假设您具有以下DataFrame：

data = [("2000-01-01","2002-12-01")]
df = spark.createDataFrame(data, ["minDate", "maxDate"])
df.show()
#+----------+----------+
#|   minDate|   maxDate|
#+----------+----------+
#|2000-01-01|2002-12-01|
#+----------+----------+

您可以按照与我对这个问题的回答相同的方法，添加一个date介于minDate和之间的所有月份的列。maxDate

只需替换pyspark.sql.functions.datediff为pyspark.sql.functions.months_between，然后使用add_months代替date_add：

import pyspark.sql.functions as f

df.withColumn("monthsDiff", f.months_between("maxDate", "minDate"))\
    .withColumn("repeat", f.expr("split(repeat(',', monthsDiff), ',')"))\
    .select("*", f.posexplode("repeat").alias("date", "val"))\
    .withColumn("date", f.expr("add_months(minDate, date)"))\
    .select('date')\
    .show(n=50)
#+----------+
#|      date|
#+----------+
#|2000-01-01|
#|2000-02-01|
#|2000-03-01|
#|2000-04-01|
# ...skipping some rows...
#|2002-10-01|
#|2002-11-01|
#|2002-12-01|
#+----------+