我的问题是如何将一列拆分为多列。
我不知道为什么df.toPandas()
不起作用。
例如,我想将“df_test”更改为“df_test2”。
我看到了许多使用pandas模块的示例。还有另一种方法吗?
先感谢您。
df_test = sqlContext.createDataFrame([
(1, '14-Jul-15'),
(2, '14-Jun-15'),
(3, '11-Oct-15'),
], ('id', 'date'))
df_test2
id day month year
1 14 Jul 15
2 14 Jun 15
1 11 Oct 15
最佳答案
Spark> = 2.2
您可以跳过unix_timestamp
并强制转换并使用to_date
或to_timestamp
:
from pyspark.sql.functions import to_date, to_timestamp
df_test.withColumn("date", to_date("date", "dd-MMM-yy")).show()
## +---+----------+
## | id| date|
## +---+----------+
## | 1|2015-07-14|
## | 2|2015-06-14|
## | 3|2015-10-11|
## +---+----------+
df_test.withColumn("date", to_timestamp("date", "dd-MMM-yy")).show()
## +---+-------------------+
## | id| date|
## +---+-------------------+
## | 1|2015-07-14 00:00:00|
## | 2|2015-06-14 00:00:00|
## | 3|2015-10-11 00:00:00|
## +---+-------------------+
然后应用如下所示的其他日期时间函数。
Spark
不可能在单个访问中派生多个顶级列。您可以将结构或集合类型与UDF一起使用,如下所示:
from pyspark.sql.types import StringType, StructType, StructField
from pyspark.sql import Row
from pyspark.sql.functions import udf, col
schema = StructType([
StructField("day", StringType(), True),
StructField("month", StringType(), True),
StructField("year", StringType(), True)
])
def split_date_(s):
try:
d, m, y = s.split("-")
return d, m, y
except:
return None
split_date = udf(split_date_, schema)
transformed = df_test.withColumn("date", split_date(col("date")))
transformed.printSchema()
## root
## |-- id: long (nullable = true)
## |-- date: struct (nullable = true)
## | |-- day: string (nullable = true)
## | |-- month: string (nullable = true)
## | |-- year: string (nullable = true)
但它不仅在PySpark中非常冗长,而且价格昂贵。
对于基于日期的转换,您可以简单地使用内置函数:
from pyspark.sql.functions import unix_timestamp, dayofmonth, year, date_format
transformed = (df_test
.withColumn("ts",
unix_timestamp(col("date"), "dd-MMM-yy").cast("timestamp"))
.withColumn("day", dayofmonth(col("ts")).cast("string"))
.withColumn("month", date_format(col("ts"), "MMM"))
.withColumn("year", year(col("ts")).cast("string"))
.drop("ts"))
同样,您可以使用
regexp_extract
分割日期字符串。另请参阅Derive multiple columns from a single column in a Spark DataFrame
注意:
如果使用未针对SPARK-11724修补的版本,则需要在
unix_timestamp(...)
之后和cast("timestamp")
之前进行更正。关于python - pyspark将一列拆分为没有 Pandas 的多列,我们在Stack Overflow上找到一个类似的问题:https://stackoverflow.com/questions/34362412/