python - PySpark 中多列的日期算法

Question

我正在尝试使用 PySpark 数据框中的多列进行一些中等复杂的日期算法。基本上，我有一个名为 number 的列，它表示我需要过滤的 created_at 时间戳之后的周数。在 PostgreSQL 中，您可以将 interval based on the value in a column 相乘，但我似乎无法弄清楚如何使用 SQL API 或 Python API 在 PySpark 中执行此操作。如有任何帮助，我们将不胜感激!

import datetime
from pyspark.sql import SQLContext
from pyspark.sql import Row
from pyspark import SparkContext

sc = SparkContext()
sqlContext = SQLContext(sc)
start_date = datetime.date(2020,1,1)

my_df = sc.parallelize([
        Row(id=1, created_at=datetime.datetime(2020, 1, 1), number=1,  metric=10),
        Row(id=1, created_at=datetime.datetime(2020, 1, 1), number=2,  metric=10),
        Row(id=1, created_at=datetime.datetime(2020, 1, 1), number=3,  metric=10),
        Row(id=2, created_at=datetime.datetime(2020, 1, 15), number=1,  metric=20),
        Row(id=2, created_at=datetime.datetime(2020, 1, 15), number=2,  metric=20),
        Row(id=3, created_at=datetime.datetime(2020, 7, 1), number=7,  metric=30),
        Row(id=3, created_at=datetime.datetime(2020, 7, 1), number=8,  metric=30),
        Row(id=3, created_at=datetime.datetime(2020, 7, 1), number=9,  metric=30),
        Row(id=3, created_at=datetime.datetime(2020, 7, 1), number=10, metric=30),
    ]).toDF()


# This doesn't work!
new_df = my_df.where("created_at + interval 7 days * number > '" + start_date.strftime("%Y-%m-%d") +"'")
# Neither does this!
new_df = my_df.filter(my_df.created_at + datetime.timedelta(days=my_df.number * 7)).date() > start_date.date()

有可能solution here这需要将日期转换为字符串，使用 python 中的 datetime 库将字符串转换为 datetime 对象，然后执行操作，但这看起来很疯狂。

Answer 1

好吧，我找到了使用 expr 和内置的 date_add 函数的方法。

from pyspark.sql.functions import expr, date_add
new_df = my_df.withColumn('test', expr('date_add(created_at, number*7)'))
filtered = new_df.filter(new_df.test > start_date)
filtered.show()

但是，如果其他人想要补充，我希望深入了解它如何/为什么以一般方式工作!