apache-spark - spark sql date functions

Convertir cadena de pyspark a formato de fecha

Question

Tengo un marco de datos de pyspark de fecha con una columna de cadena en el formato de MM-dd-yyyy e intento convertir esto en una columna de fecha.

Lo intenté:

df.select(to_date(df.STRING_COLUMN).alias(''new_date'')).show()

y obtengo una serie de nulos. ¿Alguien puede ayudar?

Answer 1

El enfoque strptime () no funciona para mí. Obtengo otra solución más limpia, usando cast:

from pyspark.sql.types import DateType
spark_df1 = spark_df.withColumn("record_date",spark_df[''order_submitted_date''].cast(DateType()))
#below is the result
spark_df1.select(''order_submitted_date'',''record_date'').show(10,False)

+---------------------+-----------+
|order_submitted_date |record_date|
+---------------------+-----------+
|2015-08-19 12:54:16.0|2015-08-19 |
|2016-04-14 13:55:50.0|2016-04-14 |
|2013-10-11 18:23:36.0|2013-10-11 |
|2015-08-19 20:18:55.0|2015-08-19 |
|2015-08-20 12:07:40.0|2015-08-20 |
|2013-10-11 21:24:12.0|2013-10-11 |
|2013-10-11 23:29:28.0|2013-10-11 |
|2015-08-20 16:59:35.0|2015-08-20 |
|2015-08-20 17:32:03.0|2015-08-20 |
|2016-04-13 16:56:21.0|2016-04-13 |

Answer 2

En la actualización de la respuesta aceptada, no ve el ejemplo de la función to_date , por lo que otra solución que lo use sería:

from pyspark.sql import functions as F

df = df.withColumn(
            ''new_date'',
                F.to_date(
                    F.unix_timestamp(''STRINGCOLUMN'', ''MM-dd-yyyy'').cast(''timestamp''))

Answer 3

Es posible (¿preferible?) Hacer esto sin un udf:

from pyspark.sql.functions import unix_timestamp, from_unixtime

df = spark.createDataFrame(
    [("11/25/1991",), ("11/24/1991",), ("11/30/1991",)], 
    [''date_str'']
)

df2 = df.select(
    ''date_str'', 
    from_unixtime(unix_timestamp(''date_str'', ''MM/dd/yyy'')).alias(''date'')
)

print(df2)
#DataFrame[date_str: string, date: timestamp]

df2.show(truncate=False)
#+----------+-------------------+
#|date_str  |date               |
#+----------+-------------------+
#|11/25/1991|1991-11-25 00:00:00|
#|11/24/1991|1991-11-24 00:00:00|
#|11/30/1991|1991-11-30 00:00:00|
#+----------+-------------------+

Actualización (1/10/2018):

Para Spark 2.2+, la mejor manera de hacerlo es probablemente utilizando las funciones to_date o to_timestamp , que admiten el argumento de format . De los documentos:

>>> df = spark.createDataFrame([(''1997-02-28 10:30:00'',)], [''t''])
>>> df.select(to_timestamp(df.t, ''yyyy-MM-dd HH:mm:ss'').alias(''dt'')).collect()
[Row(dt=datetime.datetime(1997, 2, 28, 10, 30))]

Answer 4

Prueba esto:

df = spark.createDataFrame([(''2018-07-27 10:30:00'',)], [''Date_col''])
df.select(from_unixtime(unix_timestamp(df.Date_col, ''yyyy-MM-dd HH:mm:ss'')).alias(''dt_col''))
df.show()
+-------------------+  
|           Date_col|  
+-------------------+  
|2018-07-27 10:30:00|  
+-------------------+  

Answer 5

posiblemente no tantas respuestas, así que pensar en compartir mi código que puede ayudar a alguien

from pyspark.sql import SparkSession
from pyspark.sql.functions import to_date

spark = SparkSession.builder.appName("Python Spark SQL basic example")/
    .config("spark.some.config.option", "some-value").getOrCreate()


df = spark.createDataFrame([(''2019-06-22'',)], [''t''])
df1 = df.select(to_date(df.t, ''yyyy-MM-dd'').alias(''dt''))
print df1
print df1.show()

salida

DataFrame[dt: date]
+----------+
|        dt|
+----------+
|2019-06-22|
+----------+

el código anterior para convertir a fecha si desea convertir fecha y hora, luego use to_timestamp. Hazme saber si tienes alguna duda.

Answer 6

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



# Creation of a dummy dataframe:
df1 = sqlContext.createDataFrame([("11/25/1991","11/24/1991","11/30/1991"), 
                            ("11/25/1391","11/24/1992","11/30/1992")], schema=[''first'', ''second'', ''third''])

# Setting an user define function:
# This function converts the string cell into a date:
func =  udf (lambda x: datetime.strptime(x, ''%m/%d/%Y''), DateType())

df = df1.withColumn(''test'', func(col(''first'')))

df.show()

df.printSchema()

Aquí está la salida:

+----------+----------+----------+----------+
|     first|    second|     third|      test|
+----------+----------+----------+----------+
|11/25/1991|11/24/1991|11/30/1991|1991-01-25|
|11/25/1391|11/24/1992|11/30/1992|1391-01-17|
+----------+----------+----------+----------+

root
 |-- first: string (nullable = true)
 |-- second: string (nullable = true)
 |-- third: string (nullable = true)
 |-- test: date (nullable = true)