我有一个从Hive表加载的数据帧df，它有一个时间戳列，比如ts，字符串类型为dd-MMM-yy hh.mm.ss.MS a格式(转换为python日期时间库，这是%d-%b-%y %I.%M.%S.%f %p(。
现在我想过滤数据帧中最后五分钟的行：
only_last_5_minutes = df.filter(
datetime.strptime(df.ts, '%d-%b-%y %I.%M.%S.%f %p') > datetime.now() - timedelta(minutes=5)
)
然而，这不起作用，我收到这个消息
TypeError: strptime() argument 1 must be string, not Column
我似乎有错误的列操作应用程序，在我看来，我必须创建一个lambda函数来过滤每个满足所需条件的列，但作为Python和lambda表达式的新手，我不知道如何正确创建过滤器。请告知。
p.S。我更喜欢将我的过滤器表示为Python本机(或SparkSQL(，而不是Hive sql查询表达式"WHERE"中的过滤器。
首选：
df = sqlContext.sql("SELECT * FROM my_table")
df.filter( // filter here)
不优选：
df = sqlContext.sql("SELECT * FROM my_table WHERE...")
Spark>=1.5
由于Spark 1.5，您可以按如下方式解析日期字符串：
from pyspark.sql.functions import expr, from_unixtime, lit, unix_timestamp
from pyspark.sql.types import TimestampType
parsed_df = df.select((from_unixtime(unix_timestamp(
# Note: am-pm: pattern length should be 1 for Spark >= 3.0
df.datetime, "dd-MMM-yy h.mm.ss.SSSSSS a"
))).cast(TimestampType()).alias("datetime"))
parsed_df.where(col("datetime") >= lit(now) - expr("INTERVAL 5 minutes"))
然后应用间隔：
from pyspark.sql.functions import current_timestamp, expr
火花<1.5
可以使用用户定义的功能。
from datetime import datetime, timedelta
from pyspark.sql.types import BooleanType, TimestampType
from pyspark.sql.functions import udf, col
def in_last_5_minutes(now):
def _in_last_5_minutes(then):
then_parsed = datetime.strptime(then, '%d-%b-%y %I.%M.%S.%f %p')
return then_parsed > now - timedelta(minutes=5)
return udf(_in_last_5_minutes, BooleanType())
使用一些伪数据：
df = sqlContext.createDataFrame([
(1, '14-Jul-15 11.34.29.000000 AM'),
(2, '14-Jul-15 11.34.27.000000 AM'),
(3, '14-Jul-15 11.32.11.000000 AM'),
(4, '14-Jul-15 11.29.00.000000 AM'),
(5, '14-Jul-15 11.28.29.000000 AM')
], ('id', 'datetime'))
now = datetime(2015, 7, 14, 11, 35)
df.where(in_last_5_minutes(now)(col("datetime"))).show()
正如预期的那样，我们只得到3个条目：
+--+--------------------+
|id| datetime|
+--+--------------------+
| 1|14-Jul-15 11.34.2...|
| 2|14-Jul-15 11.34.2...|
| 3|14-Jul-15 11.32.1...|
+--+--------------------+
重新分析日期时间字符串的效率相当低，因此您可以考虑存储TimestampType。
def parse_dt():
def _parse(dt):
return datetime.strptime(dt, '%d-%b-%y %I.%M.%S.%f %p')
return udf(_parse, TimestampType())
df_with_timestamp = df.withColumn("timestamp", parse_dt()(df.datetime))
def in_last_5_minutes(now):
def _in_last_5_minutes(then):
return then > now - timedelta(minutes=5)
return udf(_in_last_5_minutes, BooleanType())
df_with_timestamp.where(in_last_5_minutes(now)(col("timestamp")))
结果：
+--+--------------------+--------------------+
|id| datetime| timestamp|
+--+--------------------+--------------------+
| 1|14-Jul-15 11.34.2...|2015-07-14 11:34:...|
| 2|14-Jul-15 11.34.2...|2015-07-14 11:34:...|
| 3|14-Jul-15 11.32.1...|2015-07-14 11:32:...|
+--+--------------------+--------------------+
最后，可以使用带有时间戳的原始SQL查询：
query = """SELECT * FROM df
WHERE unix_timestamp(datetime, 'dd-MMM-yy HH.mm.ss.SSSSSS a') > {0}
""".format(time.mktime((now - timedelta(minutes=5)).timetuple()))
sqlContext.sql(query)
和上面一样，一次性解析日期字符串会更有效。
如果列已经是timestamp，则可以使用datetime文字：
from pyspark.sql.functions import lit
df_with_timestamp.where(
df_with_timestamp.timestamp > lit(now - timedelta(minutes=5)))
from pyspark.sql.functions import *
df.withColumn("seconds_from_now", current_timestamp() - col("ts").cast("long"))
df = df.filter(df.seconds_from_now <= 5*60).drop("seconds_from_now")
df是包含最后五分钟结果的结果数据帧。