apache-spark - weekofyear() 返回 1 月 1 日看似不正确的结果

我不太确定为什么我的代码给出 52 作为答案: weekofyear("01/JAN/2017") 。

有没有人对此有可能的解释？有一个更好的方法吗？

from pyspark.sql import SparkSession, functions
spark = SparkSession.builder.appName('weekOfYear').getOrCreate()
from pyspark.sql.functions import to_date

df = spark.createDataFrame(
    [(1, "01/JAN/2017"), (2, "15/FEB/2017")], ("id", "date"))

df.show()
+---+-----------+
| id|       date|
+---+-----------+
|  1|01/JAN/2017|
|  2|15/FEB/2017|
+---+-----------+

计算一年中的第几周

df=df.withColumn("weekofyear", functions.weekofyear(to_date(df["date"],"dd/MMM/yyyy")))

df.printSchema()

root
 |-- id: long (nullable = true)
 |-- date: string (nullable = true)
 |-- weekofyear: integer (nullable = true)

df.show()

“错误”如下所示:

+---+-----------+----------+
| id|       date|weekofyear|
+---+-----------+----------+
|  1|01/JAN/2017|        52|
|  2|15/FEB/2017|         7|
+---+-----------+----------+

最佳答案

如果一周中的某一天是周一到周四，那么 weekofyear() 似乎只会在 1 月 1 日返回 1。

为了确认，我创建了一个 DataFrame，其中包含 1900 年到 2018 年的所有 "01/JAN/YYYY":

df = sqlCtx.createDataFrame(
    [(1, "01/JAN/{y}".format(y=year),) for year in range(1900,2019)],
    ["id", "date"]
)

现在让我们将其转换为日期，获取星期几，并计算 weekofyear() 的值:

import pyspark.sql.functions as f
df.withColumn("d", f.to_date(f.from_unixtime(f.unix_timestamp('date', "dd/MMM/yyyy"))))\
    .withColumn("weekofyear", f.weekofyear("d"))\
    .withColumn("dayofweek", f.date_format("d", "E"))\
    .groupBy("dayofweek", "weekofyear")\
    .count()\
    .show()
#+---------+----------+-----+
#|dayofweek|weekofyear|count|
#+---------+----------+-----+
#|      Sun|        52|   17|
#|      Mon|         1|   18|
#|      Tue|         1|   17|
#|      Wed|         1|   17|
#|      Thu|         1|   17|
#|      Fri|        53|   17|
#|      Sat|        53|    4|
#|      Sat|        52|   12|
#+---------+----------+-----+

请注意，我使用的是 Spark v 2.1，其中 to_date() 不接受格式参数，因此我必须使用 this answer 中描述的方法将字符串转换为日期。

类似地，to_date() 只返回 1:

1 月 2 日，如果一周中的某一天是星期一到星期五。

1 月 3 日，如果一周中的某一天是星期一到星期六。

更新

此行为与 ISO 8601 定义一致。