pyspark的“介于”功能不包含在时间戳输入中。
例如，如果我们想要两个日期之间的所有行，例如“ 2017-04-13”和“ 2017-04-14”，那么当日期作为字符串传递时，它将执行“排他”搜索。即，它省略了“ 2017-04-14 00:00:00”字段
但是，该文档似乎暗示它具有包容性（尽管在时间戳上没有引用）
当然，一种方法是从上限添加一个微秒，并将其传递给函数。但是，不是一个很好的解决方案。进行包含式搜索的任何干净方法？
例：
import pandas as pd
from pyspark.sql import functions as F
... sql_context creation ...
test_pd=pd.DataFrame([{"start":'2017-04-13 12:00:00', "value":1.0},{"start":'2017-04-14 00:00:00', "value":1.1}])
test_df = sql_context.createDataFrame(test_pd).withColumn("start", F.col("start").cast('timestamp'))
test_df.show()
+--------------------+-----+
| start|value|
+--------------------+-----+
|2017-04-13 12:00:...| 1.0|
|2017-04-14 00:00:...| 1.1|
+--------------------+-----+
test_df.filter(F.col("start").between('2017-04-13','2017-04-14')).show()
+--------------------+-----+
| start|value|
+--------------------+-----+
|2017-04-13 12:00:...| 1.0|
+--------------------+-----+
如果我们在64位计算机上使用joblib序列化randomforest模型，然后在32位计算机上解压缩，则会出现异常：
ValueError: Buffer dtype mismatch, expected 'SIZE_t' but got 'long long'
之前曾有人问过这个问题：Scikits-Learn RandomForrest在64位python上受过训练，不会在32位python上打开。但是自2014年以来，这个问题一直没有得到回答。
学习模型的示例代码（在64位计算机上）：
modelPath="../"
featureVec=...
labelVec = ...
forest = RandomForestClassifier()
randomSearch = RandomizedSearchCV(forest, param_distributions=param_dict, cv=10, scoring='accuracy',
n_iter=100, refit=True)
randomSearch.fit(X=featureVec, y=labelVec)
model = randomSearch.best_estimator_
joblib.dump(model, modelPath)
在32位计算机上解压缩的示例代码：
modelPath="../"
model = joblib.load(modelPkl) # ValueError thrown here
我的问题是：如果我们必须在64位计算机上学习并将其移植到32位计算机上进行预测，那么是否有针对该问题的通用解决方法？
编辑：尝试直接使用pickle而不是joblib。仍然存在相同的错误。错误发生在核心pickle库中（对于joblib和pickle）：
File "/usr/lib/python2.7/pickle.py", line 1378, in load
return Unpickler(file).load()
File "/usr/lib/python2.7/pickle.py", line 858, in load
dispatch[key](self)
File "/usr/lib/python2.7/pickle.py", line 1133, in load_reduce
value = func(*args)
File "sklearn/tree/_tree.pyx", line 585, in sklearn.tree._tree.Tree.__cinit__ …