时间戳

首页 > 解决方案 > Pyspark读取csv并结合日期和时间列并基于它进行过滤

python - Pyspark读取csv并结合日期和时间列并基于它进行过滤

问题描述

我有大约 10,000 个 csv 文件，每个文件包含 14 列。它们包含有关金融机构、交易价值、日期和时间的数据。

一些 csv 文件只是标题，其中没有数据。我设法在我的本地 hadoop 文件系统上加载了所有 csv 文件。我想要实现的是过滤数据以包含仅在上午 9 点到下午 6 点之间发生的记录。

我将如何实现这一目标？我对 lambda 和 filter 很困惑，所有东西都存在于 spark-python 中。

你能告诉我如何过滤这个并使用过滤后的数据进行其他分析吗？

PS，冬季时间和夏季时间也需要考虑，我想我应该有一些功能可以将时间更改为UTC格式吗？

由于我关心的是基于 csv 文件中的时间列过滤数据，因此我简化了 csvs。让我们说：

CSV 1：（过滤器.csv）

CSV 2:(NoFilter.csv)

我的代码是：

from pyspark import SparkContext, SparkConf
from pyspark.sql import SQLContext

sqlc = SQLContext(sc)

ehsanLocationFiltered = 'hdfs://localhost:54310/user/oxclo/ehsanDbs/Filter.csv'
ehsanLocationNonFiltered = 'hdfs://localhost:54310/user/oxclo/ehsanDbs/NoFilter.csv'

df = sqlContext.read.format('com.databricks.spark.csv')\
.options(header='true', inferschema='true')\
.load(ehsanLocationNonFiltered)

dfFilter = sqlContext.read.format('com.databricks.spark.csv')\
.options(header='true', inferschema='true')\
.load(ehsanLocationFiltered)

data = df.rdd
dataFilter = dfFilter.rdd

data.filter(lambda row: row.Time > '07:00' and row.Time < '17:00')
dataFilter.filter(lambda row: row.Time > '07:00' and row.Time < '17:00')

print data.count()
print dataFilter.count()

我希望看到 data.count 返回 4，因为所有时间都适合范围，而 dataFilter.count 返回 0，因为没有匹配时间。

谢谢！

标签： pythoncsvapache-sparkfilterpyspark

解决方案

在您的代码中，您只能使用“csv”作为格式 

from pyspark import SparkContext, SparkConf
ehsanLocationFiltered = '/FileStore/tables/stackoverflow.csv'
df = sqlContext.read.format('csv')\
.options(header='true', inferschema='true')\
.load(ehsanLocationFiltered).rdd
result=data.map(lambda row: row.Time > '07:00' and row.Time < '17:00')
result.count()

推荐阅读