PySpark 从 TimeStampType 列向 DataFrame 添加一列答案

【问题标题】：PySpark add a column to a DataFrame from a TimeStampType columnPySpark 从 TimeStampType 列向 DataFrame 添加一列
【发布时间】：2015-06-17 04:20:17
【问题描述】：

我有一个看起来像这样的 DataFrame。我想在date_time 字段的当天进行操作。

root
 |-- host: string (nullable = true)
 |-- user_id: string (nullable = true)
 |-- date_time: timestamp (nullable = true)

我尝试添加一列来提取日期。到目前为止，我的尝试都失败了。

df = df.withColumn("day", df.date_time.getField("day"))

org.apache.spark.sql.AnalysisException: GetField is not valid on fields of type TimestampType;

这也失败了

df = df.withColumn("day", df.select("date_time").map(lambda row: row.date_time.day))

AttributeError: 'PipelinedRDD' object has no attribute 'alias'

知道如何做到这一点吗？

【问题讨论】：

标签： python apache-spark apache-spark-sql pyspark

【解决方案1】：

你可以使用简单的map:

df.rdd.map(lambda row:
    Row(row.__fields__ + ["day"])(row + (row.date_time.day, ))
)

另一种选择是注册一个函数并运行 SQL 查询：

sqlContext.registerFunction("day", lambda x: x.day)
sqlContext.registerDataFrameAsTable(df, "df")
sqlContext.sql("SELECT *, day(date_time) as day FROM df")

最后你可以这样定义udf：

from pyspark.sql.functions import udf
from pyspark.sql.types import IntegerType

day = udf(lambda date_time: date_time.day, IntegerType())
df.withColumn("day", day(df.date_time))

编辑：

实际上，如果您使用原始 SQL，day 函数已经定义（至少在 Spark 1.4 中），因此您可以省略 udf 注册。它还提供了许多不同的日期处理功能，包括：

像year、month、dayofmonth这样的吸气剂
日期算术工具，如date_add、datediff
解析器如from_unixtime 和格式化程序如date_format

也可以使用简单的日期表达式，例如：

current_timestamp() - expr("INTERVAL 1 HOUR")

这意味着您可以构建相对复杂的查询，而无需将数据传递给 Python。例如：

df =  sc.parallelize([
    (1, "2016-01-06 00:04:21"),
    (2, "2016-05-01 12:20:00"),
    (3, "2016-08-06 00:04:21")
]).toDF(["id", "ts_"])

now = lit("2016-06-01 00:00:00").cast("timestamp") 
five_months_ago = now - expr("INTERVAL 5 MONTHS")

(df
    # Cast string to timestamp
    # For Spark 1.5 use cast("double").cast("timestamp")
    .withColumn("ts", unix_timestamp("ts_").cast("timestamp"))
    # Find all events in the last five months
    .where(col("ts").between(five_months_ago, now))
    # Find first Sunday after the event
    .withColumn("next_sunday", next_day(col("ts"), "Sun"))
    # Compute difference in days
    .withColumn("diff", datediff(col("ts"), col("next_sunday"))))

【讨论】：

栏目很多，我只想多加一栏。 map 方法可能过于繁琐，无法列出所有现有列。我将尝试注册功能的方式。谢谢。
您不必列出地图中的所有现有列。可以简单地重新创建该行。我已经更新了答案以反映这一点。这种方法有两个问题。它返回 RDD of Rows 而不是 DataFrame，它很可能比优化的 SQL 慢。
定义 udf 似乎是迄今为止我发现的最干净的方式。添加到答案中。

【解决方案2】：

res=df.withColumn("dayofts",dayofmonth("ts_"))
from pyspark.sql import functions as F
res=df.withColumn("dayofts",F.dayofmonth("ts_"))
res.show()

【讨论】：