Spark Dataset - 如何通过修改现有列值来创建新列

Posted 2023-04-15

【中文标题】Spark Dataset - 如何通过修改现有列值来创建新列

【英文标题】：Spark Dataset - How to create a new column by modifying an existing column value

【发布时间】：2018-10-31 12:17:02

【问题描述】：

我有一个如下所示的数据集

Dataset<Row> dataset = ...
dataset.show()

| NAME | DOB      |
+------+----------+
| John | 19801012 |
| Mark | 19760502 |
| Mick | 19911208 |

我想把它转换成下面的（格式化的DOB）

| NAME | DOB        |
+------+------------+
| John | 1980-10-12 |
| Mark | 1976-05-02 |
| Mick | 1991-12-08 |

我该怎么做？基本上，我试图弄清楚如何以通用方式操作现有的列字符串值。

我尝试使用dataset.withColumn，但不知道如何实现。

感谢任何帮助。

【问题讨论】：

那些投反对票的人，你能解释一下为什么，以便我以后避免

【参考方案1】：

使用“substring”和“concat”函数：

df.withColumn("DOB_FORMATED",
  concat(substring($"DOB", 0, 4), lit("-"), substring($"DOB", 5, 2), lit("-"), substring($"DOB", 7, 2)))

【讨论】：

在java中：dataset.withColumn("DOB", concat(substring(col("DOB"), 0, 4), lit("-"), substring(col("DOB") , 5, 2), lit("-"), substring(col("DOB"), 7, 2)))

【参考方案2】：

将数据加载到数据框（deltaData）中，然后使用以下行

deltaData.withColumn("DOB", date_format(to_date($"DOB", "yyyyMMdd"), "yyyy-MM-dd")).show()

【参考方案3】：

假设 DOB 是一个字符串，你可以写一个 UDF

def formatDate(s: String): String 
  // date formatting code


val formatDateUdf = udf(formatDate(_: String))

ds.select($"NAME", formatDateUdf($"DOB").as("DOB"))