如何重命名所有列，在pyspark中创建数据帧后，根据模式/从csv文件读取转换数据类型

Question

在pyspark 中创建示例数据帧

from pyspark.sql.types import *
from pyspark.sql.types import StructField
from pyspark.sql import types
testdata = [("aaaa",1,50.0,"05-APR-2020"),
("bbbb",2,100.0,"06-APR-2020")]
dataschema = types.StructType([
types.StructField('col1', types.StringType(), True),
types.StructField('col2', types.IntegerType(), True),
types.StructField('col3', types.DoubleType(), True),
types.StructField('col4', types.DateType(), True)
])
testdf2 = spark.createDataFrame(
spark.sparkContext.parallelize(testdata),
dataschema
)
testdf2.printSchema()
testdf2.show()

正在获取以下错误。

TypeError:字段col4:DateType无法接受类型中的对象"05-APR-2020">

如果我有一个有两列的列表，一列是新列，另一列是数据类型。如何根据列表或csv/json文件重命名所有列并强制转换每列的数据类型

Answer 1

默认情况下，Spark不会将string转换为date type。

我们需要使用datetime模块来定义我们的输入数据，然后在使用schema spark进行读取时创建col4到datetype。

Example:

import datetime
from pyspark.sql.types import *
from pyspark.sql.types import StructField
from pyspark.sql import types
testdata = [("aaaa",1,50.0,datetime.datetime.strptime('05-APR-2020','%d-%b-%Y')),
("bbbb",2,100.0,datetime.datetime.strptime('06-APR-2020','%d-%b-%Y'))]
dataschema = types.StructType([
types.StructField('col1', types.StringType(), True),
types.StructField('col2', types.IntegerType(), True),
types.StructField('col3', types.DoubleType(), True),
types.StructField('col4', types.DateType(), True)
])
testdf2 = spark.createDataFrame(
spark.sparkContext.parallelize(testdata),
dataschema
)
testdf2.printSchema()
#root
# |-- col1: string (nullable = true)
# |-- col2: integer (nullable = true)
# |-- col3: double (nullable = true)
# |-- col4: date (nullable = true)

testdf2.show()
#+----+----+-----+----------+
#|col1|col2| col3|      col4|
#+----+----+-----+----------+
#|aaaa|   1| 50.0|2020-04-05|
#|bbbb|   2|100.0|2020-04-06|
#+----+----+-----+----------+

---

另一种方法是为col4定义stringtype，然后使用to_date函数转换为date。

dataschema = types.StructType([
types.StructField('col1', types.StringType(), True),
types.StructField('col2', types.IntegerType(), True),
types.StructField('col3', types.DoubleType(), True),
types.StructField('col4', types.StringType(), True)
])
testdata = [("aaaa",1,50.0,"05-APR-2020"),
("bbbb",2,100.0,"06-APR-2020")]
spark.createDataFrame(testdata,dataschema).withColumn("col4",to_date(col("col4"),"dd-MMM-yyyy")).printSchema()
#root
# |-- col1: string (nullable = true)
# |-- col2: integer (nullable = true)
# |-- col3: double (nullable = true)
# |-- col4: date (nullable = true)
spark.createDataFrame(testdata,dataschema).withColumn("col4",to_date(col("col4"),"dd-MMM-yyyy")).show()
#+----+----+-----+----------+
#|col1|col2| col3|      col4|
#+----+----+-----+----------+
#|aaaa|   1| 50.0|2020-04-05|
#|bbbb|   2|100.0|2020-04-06|
#+----+----+-----+----------+