pyspark-将mmddyy转换为yyyy-mm-dd

Question

我正在处理一个大文件，该文件的一个字段以mmddyy格式为字符串为数据类型，我需要将其转换为yyyy-mm-dd。我确实尝试过创建UDF并转换为其中一篇文章，但其投掷错误。示例代码：

数据框中的实际字段：

+-----------+
|DATE_OPENED|
+-----------+
|     072111|
|     090606|

预期输出：

+---------------+
|    DATE_OPENED|
+---------------+
|     2011-07-21|
|     2006-06-09|

示例代码：

func =  udf (lambda x: datetime.strptime(x, '%m%d%Y'), DateType())
newdf = olddf.withColumn('open_dt' ,date_format(func(col('DATE_OPENED')) , 'YYYY-MM-DD'))

错误：

Error : ValueError: time data '072111' does not match format '%m%d%Y'

Answer 1

我能够在不创建UDF的情况下解决它，我确实指的是堆栈上的类似帖子（pyspark子字符串和聚合），它效果很好。

from pyspark.sql.functions import *
format = 'mmddyy'
col = unix_timestamp(df1['DATE_OPENED'], format).cast('timestamp')
df1 = df1.withColumn("DATE_OPENED", col)
df2 = df.withColumn('open_dt', df['DATE_OPENED'].substr(1, 11))

Answer 2

这是可能的，而无需依赖慢速UDF。相反，通过指定正确的格式，用unix_timestamp解析数据。然后将列投放到DateType，这将为您提供所需的格式（Yyyy-MM-DD）：

df.withColumn('DATE_OPENED', unix_timestamp('DATE_OPENED','mmddyy').cast(DateType()))

如果您拥有2.2 版本的Spark版本，则有一个更方便的方法to_date：

df.withColumn('DATE_OPENEND', to_date('DATE_OPENED','mmddyy'))