apache-spark - 在pyspark数据帧中的两个日期之间生成每月时间戳

Question

我有一些带有 "date" 的 DataFrame列，我正在尝试生成一个新的 DataFrame，其中包含来自 "date" 的最小和最大日期之间的所有月度时间戳。柱子。

解决方案之一如下:

month_step = 31*60*60*24

min_date, max_date = df.select(min_("date").cast("long"), max_("date").cast("long")).first()

df_ts = spark.range(
    (min_date / month_step) * month_step, 
    ((max_date / month_step) + 1) * month_step,
    month_step
).select(col("id").cast("timestamp").alias("yearmonth"))

df_formatted_ts = df_ts.withColumn(
    "yearmonth",
    f.concat(f.year("yearmonth"), f.lit('-'), format_string("%02d", f.month("yearmonth")))
).select('yearmonth')

df_formatted_ts.orderBy(asc('yearmonth')).show(150, False)

问题是我把它当成了 month_step 31 天并不完全正确，因为有些月份有 30 天甚至 28 天。有可能以某种方式使它更精确吗？

就像一个便条 : 后来我只需要 年份 和 月 值，所以我将忽略日期和时间。但无论如何，因为我在相当大的日期范围(2001 年和 2018 年之间)之间生成时间戳，时间戳会发生变化。

这就是为什么有时会跳过几个月的原因。例如，此快照缺少 2010-02:

|2010-01  |
|2010-03  |
|2010-04  |
|2010-05  |
|2010-06  |
|2010-07  |

我查了一下，从 2001 年到 2018 年只跳过了 3 个月。

Answer 1

假设您有以下 DataFrame:

data = [("2000-01-01","2002-12-01")]
df = spark.createDataFrame(data, ["minDate", "maxDate"])
df.show()
#+----------+----------+
#|   minDate|   maxDate|
#+----------+----------+
#|2000-01-01|2002-12-01|
#+----------+----------+

您可以添加一列 date之间的所有月份 minDate和 maxDate , 遵循与 my answer 相同的方法至 this question .

只需更换 pyspark.sql.functions.datediff与 pyspark.sql.functions.months_between ，并使用 add_months而不是 date_add :

import pyspark.sql.functions as f

df.withColumn("monthsDiff", f.months_between("maxDate", "minDate"))\
    .withColumn("repeat", f.expr("split(repeat(',', monthsDiff), ',')"))\
    .select("*", f.posexplode("repeat").alias("date", "val"))\
    .withColumn("date", f.expr("add_months(minDate, date)"))\
    .select('date')\
    .show(n=50)
#+----------+
#|      date|
#+----------+
#|2000-01-01|
#|2000-02-01|
#|2000-03-01|
#|2000-04-01|
# ...skipping some rows...
#|2002-10-01|
#|2002-11-01|
#|2002-12-01|
#+----------+