Pyspark toPandas() 越界纳秒时间戳错误

Question

我正在尝试将 Spark DataFrame 转换为 Pandas。但是，它给出以下错误：

OutOfBoundsDatetime: Out of bounds nanosecond timestamp:

有解决办法吗？

如果我删除所有时间戳列，它会起作用，但我想将整个表放入 Pandas 中。

将 Spark DataFrame 引入 Pandas 时，我从未遇到过错误。

这是一个相当大的表，包含多个时间戳列。有些是YYYY-MM-DD，有些是YYYY-MM-DD 00:00:00类型列。

有多个列包含不存在的年份变量，数量未知。

下面是一个例子。

data = {
    "ID": ["AB", "CD", "DE", "EF"],
    "year": [2016, 2017, 2018, 2018],
    "time_var_1": [
        "3924-01-04 00:00:00",
        "4004-12-12 12:38:00",
        "2018-10-02 01:32:23",
        "2018-04-05 00:00:00",
    ],
}

df = pd.DataFrame(data)

sdf = spark.createDataFrame(df)

sdf = sdf.withColumn("time_var_1", spark_fns.to_timestamp(spark_fns.col("time_var_1")))

我对 PySpark 不太熟悉，所以我不确定errors='coerce'将表从 Spark DataFrame 导入 Pandas 时是否有等效的方法。

Answer 1

您可以使用以下命令用 null 屏蔽无效时间戳when：

import pandas as pd
import pyspark.sql.functions as F

pdf = sdf.withColumn(
    'time_var_1',
    F.when(F.col('time_var_1') < F.lit(pd.Timestamp.max), F.col('time_var_1'))
).toPandas()

print(pdf)
   ID  year          time_var_1
0  AB  2016                 NaT
1  CD  2017                 NaT
2  DE  2018 2018-10-02 01:32:23
3  EF  2018 2018-04-05 00:00:00