PySpark aggiunge una colonna a un DataFrame da una colonna TimeStampType

Question

Ho un DataFrame che assomiglia a qualcosa del genere. Voglio operare il giorno del campo date_time.

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

Ho provato ad aggiungere una colonna per estrarre il giorno. Finora i miei tentativi hanno fallito.

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

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

Questo ha anche fallito

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

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

Qualsiasi idea di come questo può essere fatto?

Answer 1

È possibile utilizzare semplice map:

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

Un'altra opzione è quella di registrare una funzione e SQL eseguire query:

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

Infine si può definire UDF in questo modo:

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)) 

MODIFICA:

In realtà se si utilizza la funzione SQL raw day è già definita (almeno in Spark 1.4) in modo da poter omettere la registrazione di udf. Esso fornisce anche una serie di diverse funzioni Data elaborazione compresi

• getter come year, month, dayofmonth

• data Arithmetics strumenti come date_add, datediff

• parser come from_unixtime e formattatori come date_format

E ' anche possibile utilizzare semplici espressioni di data come:

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

E 'significa che si può creare query relativamente complesse senza passare dati a Python. Ad esempio:

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"))))