PySpark - 来自列的to_date格式

Question

我目前正在试图找出，如何通过列参数将String-format参数传递给to_date pyspark函数。

具体来说，我有以下设置：

sc = SparkContext.getOrCreate()
df = sc.parallelize([('a','2018-01-01','yyyy-MM-dd'),
                      ('b','2018-02-02','yyyy-MM-dd'),
                      ('c','02-02-2018','dd-MM-yyyy')]).toDF(
                    ["col_name","value","format"])

我目前正在尝试添加一个新列，其中F.col（“value”）列中的每个日期（字符串值）都被解析为日期。

对于每种格式，可以单独完成

df = df.withColumn("test1",F.to_date(F.col("value"),"yyyy-MM-dd")).\
        withColumn("test2",F.to_date(F.col("value"),"dd-MM-yyyy"))

然而，这给了我2个新列 - 但我希望有1列包含两个结果 - 但是使用to_date函数似乎无法调用列：

df = df.withColumn("test3",F.to_date(F.col("value"),F.col("format")))

这里抛出错误“Column object not callable”。

是否可以对所有可能的格式使用通用方法（这样我就不必为每种格式手动添加新列）？

Answer 1

你可以使用spark-sql语法在没有use a column value as a parameter的情况下使用udf：

Spark版本2.2及以上版本

from pyspark.sql.functions import expr
df.withColumn("test3",expr("to_date(value, format)")).show()
#+--------+----------+----------+----------+
#|col_name|     value|    format|     test3|
#+--------+----------+----------+----------+
#|       a|2018-01-01|yyyy-MM-dd|2018-01-01|
#|       b|2018-02-02|yyyy-MM-dd|2018-02-02|
#|       c|02-02-2018|dd-MM-yyyy|2018-02-02|
#+--------+----------+----------+----------+

或者等效地使用pyspark-sql：

df.createOrReplaceTempView("df")
spark.sql("select *, to_date(value, format) as test3 from df").show() 

Spark 1.5及以上版本

较旧版本的spark不支持在format函数中使用to_date参数，因此您必须使用unix_timestamp和from_unixtime：

from pyspark.sql.functions import expr
df.withColumn(
    "test3",
    expr("from_unixtime(unix_timestamp(value,format))").cast("date")
).show()

或者等效地使用pyspark-sql：

df.createOrReplaceTempView("df")
spark.sql(
    "select *, cast(from_unixtime(unix_timestamp(value,format)) as date) as test3 from df"
).show() 

Answer 2

据我所知，您的问题需要一些udf（用户定义的函数）来应用正确的格式。但是在udf里面你不能直接使用像to_date这样的火花功能。所以我在解决方案中创建了一些解决方法。首先，udf使用列中的相应格式进行python日期转换，并将其转换为iso格式。然后另一个withColumn将iso-date转换为test3列中的正确格式。但是，您必须调整原始列中的格式以匹配python dateformat字符串，例如yyyy - >％Y，MM - >％m，...

test_df = spark.createDataFrame([
('a','2018-01-01','%Y-%m-%d'),
                  ('b','2018-02-02','%Y-%m-%d'),
                  ('c','02-02-2018','%d-%m-%Y')
], ("col_name","value","format"))

def map_to_date(s,format):
    return datetime.datetime.strptime(s,format).isoformat()

myudf = udf(map_to_date)

test_df.withColumn("test3",myudf(col("value"),col("format")))\ 
   .withColumn("test3",to_date("test3")).show(truncate=False)

结果：

+--------+----------+--------+----------+
|col_name|value     |format  |test3     |
+--------+----------+--------+----------+
|a       |2018-01-01|%Y-%m-%d|2018-01-01|
|b       |2018-02-02|%Y-%m-%d|2018-02-02|
|c       |02-02-2018|%d-%m-%Y|2018-02-02|
+--------+----------+--------+----------+