在 Pyspark 中使用正确的数据类型读取 CSV

Posted 2023-04-15

【中文标题】在 Pyspark 中使用正确的数据类型读取 CSV

【英文标题】：Read in CSV in Pyspark with correct Datatypes

【发布时间】：2018-10-26 16:47:59

【问题描述】：

当我尝试使用 spark 导入本地 CSV 时，默认情况下，每一列都作为字符串读入。但是，我的列仅包含整数和时间戳类型。更具体地说，CSV 如下所示：

"Customer","TransDate","Quantity","PurchAmount","Cost","TransID","TransKey"
149332,"15.11.2005",1,199.95,107,127998739,100000

我找到了应该在this question 中工作的代码，但是当我执行它时，所有条目都返回为NULL。

我使用以下内容创建自定义架构：

from pyspark.sql.types import LongType, StringType, StructField, StructType, BooleanType, ArrayType, IntegerType, TimestampType

customSchema = StructType(Array(
        StructField("Customer", IntegerType, true),
        StructField("TransDate", TimestampType, true),
        StructField("Quantity", IntegerType, true),
        StructField("Cost", IntegerType, true),
        StructField("TransKey", IntegerType, true)))

然后在 CSV 中读取：

myData = spark.read.load('myData.csv', format="csv", header="true", sep=',', schema=customSchema)

返回：

+--------+---------+--------+----+--------+
|Customer|TransDate|Quantity|Cost|Transkey|
+--------+---------+--------+----+--------+
|    null|     null|    null|null|    null|
+--------+---------+--------+----+--------+

我错过了一个关键步骤吗？我怀疑 Date 列是问题的根源。注意：我在 GoogleCollab 中运行它。

【问题讨论】：

我很惊讶整数被错误地读取。这些日期肯定不起作用，因为它们不是预期的YYYY-MM-DD 格式。我建议使用inferSchema = True（例如“myData = spark.read.csv("myData.csv", header=True, inferSchema=True)）然后manually converting the Timestamp fields from string to date阅读csv。

哦，现在我明白了问题所在：您传入的是 header="true" 而不是 header=True。您需要将其作为布尔值传递，但由于格式不正确，您仍然会得到时间戳的空值。

出了什么问题？ header = "true"

@Prazy 虽然documentation 不清楚，但我很确定header 应该是(False, True, None) 之一（布尔值/无与字符串）。

@pault header = "true" 总是对我有用。

【参考方案1】：

给你！

"Customer","TransDate","Quantity","PurchAmount","Cost","TransID","TransKey"
149332,"15.11.2005",1,199.95,107,127998739,100000
PATH_TO_FILE="file:///u/vikrant/LocalTestDateFile"
Loading above file to dataframe:
df = spark.read.format("com.databricks.spark.csv") \
  .option("mode", "DROPMALFORMED") \
  .option("header", "true") \
  .option("inferschema", "true") \
  .option("delimiter", ",").load(PATH_TO_FILE)

您的日期将作为字符串列类型加载，但当您将其更改为日期类型时，它将将此日期格式视为 NULL。

df = (df.withColumn('TransDate',col('TransDate').cast('date'))

+--------+---------+--------+-----------+----+---------+--------+
|Customer|TransDate|Quantity|PurchAmount|Cost|  TransID|TransKey|
+--------+---------+--------+-----------+----+---------+--------+
|  149332|     null|       1|     199.95| 107|127998739|  100000|
+--------+---------+--------+-----------+----+---------+--------+

所以我们需要将日期格式从 dd.mm.yy 更改为 yy-mm-dd。

from datetime import datetime
from pyspark.sql.functions import col, udf
from pyspark.sql.types import DateType
from pyspark.sql.functions import col

改变日期格式的Python函数：

  change_dateformat_func =  udf (lambda x: datetime.strptime(x, '%d.%m.%Y').strftime('%Y-%m-%d'))

现在为您的数据框列调用此函数：

newdf = df.withColumn('TransDate', change_dateformat_func(col('TransDate')).cast(DateType()))

+--------+----------+--------+-----------+----+---------+--------+
|Customer| TransDate|Quantity|PurchAmount|Cost|  TransID|TransKey|
+--------+----------+--------+-----------+----+---------+--------+
|  149332|2005-11-15|       1|     199.95| 107|127998739|  100000|
+--------+----------+--------+-----------+----+---------+--------+

以下是架构：

 |-- Customer: integer (nullable = true)
 |-- TransDate: date (nullable = true)
 |-- Quantity: integer (nullable = true)
 |-- PurchAmount: double (nullable = true)
 |-- Cost: integer (nullable = true)
 |-- TransID: integer (nullable = true)
 |-- TransKey: integer (nullable = true)

让我知道它是否适合你。

【参考方案2】：

您可以为DataFrameReader 指定一个选项('dateFormat','d.M.y') 以解析特定格式的日期。

df = spark.read.format("csv").option("header","true").option("dateFormat","M.d.y").schema(my_schema).load("path_to_csv")

参考

https://spark.apache.org/docs/latest/api/python/pyspark.sql.html#pyspark.sql.DataFrameReader https://spark.apache.org/docs/latest/sql-ref-datetime-pattern.html