PySpark：在日期为字符串的范围内按日期字段过滤DataFrame

Posted 2023-02-23

【中文标题】PySpark：在日期为字符串的范围内按日期字段过滤DataFrame

【英文标题】：PySpark: filtering a DataFrame by date field in range where date is string

【发布时间】：2016-07-07 01:20:12

【问题描述】：

我的数据框包含一个日期字段，它以字符串格式显示，例如

'2015-07-02T11:22:21.050Z'

我需要过滤日期的 DataFrame 以仅获取上周的记录。 因此，我尝试了一种映射方法，其中我将字符串日期转换为使用 strptime 的日期时间对象：

def map_to_datetime(row):
     format_string = '%Y-%m-%dT%H:%M:%S.%fZ'
     row.date = datetime.strptime(row.date, format_string)

df = df.map(map_to_datetime)

然后我将过滤器应用为

df.filter(lambda row:
    row.date >= (datetime.today() - timedelta(days=7)))

我设法让映射工作，但过滤器失败了

TypeError: 条件应该是字符串或列

有没有办法以一种有效的方式使用过滤，或者我应该改变方法以及如何改变？

【参考方案1】：

我想出了一种方法来解决我的问题，方法是使用带有字符串格式日期的 SparkSQL API。

这是一个例子：

last_week = (datetime.today() - timedelta(days=7)).strftime(format='%Y-%m-%d')

new_df = df.where(df.date >= last_week)

【讨论】：

import datetime last_week = (datetime.datetime.today() - datetime.timedelta(days=7)).strftime(format='%Y-%m-%d')

【参考方案2】：

火花 >= 1.5

您可以使用INTERVAL

from pyspark.sql.functions import expr, current_date

df_casted.where(col("dt") >= current_date() - expr("INTERVAL 7 days"))

火花

您可以在不使用工作端 Python 代码和切换到 RDD 的情况下解决此问题。首先，由于您使用 ISO 8601 字符串，您的数据可以直接转换为日期或时间戳：

from pyspark.sql.functions import col

df = sc.parallelize([
    ('2015-07-02T11:22:21.050Z', ),
    ('2016-03-20T21:00:00.000Z', )
]).toDF(("d_str", ))

df_casted = df.select("*",
    col("d_str").cast("date").alias("dt"), 
    col("d_str").cast("timestamp").alias("ts"))

这将节省 JVM 和 Python 之间的一次往返。还有一些方法可以接近第二部分。仅日期：

from pyspark.sql.functions import current_date, datediff, unix_timestamp

df_casted.where(datediff(current_date(), col("dt")) < 7)

时间戳：

def days(i: int) -> int:
    return 60 * 60 * 24 * i

df_casted.where(unix_timestamp() - col("ts").cast("long") < days(7))

你也可以看看current_timestamp和date_sub

注意：我会避免使用DataFrame.map。最好改用DataFrame.rdd.map。切换到 2.0+ 时，它将为您节省一些工作