apache-spark - 在pyspark数据框中的两个日期之间生成每月时间戳

Question

我有一些带有"date"列的DataFrame，我正在尝试生成一个新的DataFrame，其中包含"date"列中最小日期和最大日期之间的所有月度时间戳。

解决方案之一如下：

month_step = 31*60*60*24

min_date, max_date = df.select(min_("date").cast("long"), max_("date").cast("long")).first()

df_ts = spark.range(
    (min_date / month_step) * month_step, 
    ((max_date / month_step) + 1) * month_step,
    month_step
).select(col("id").cast("timestamp").alias("yearmonth"))

df_formatted_ts = df_ts.withColumn(
    "yearmonth",
    f.concat(f.year("yearmonth"), f.lit('-'), format_string("%02d", f.month("yearmonth")))
).select('yearmonth')

df_formatted_ts.orderBy(asc('yearmonth')).show(150, False)

问题是我把它当作month_step31 天，它并不真正正确，因为有些月份有 30 天甚至 28 天。有可能以某种方式使其更精确吗？

就像一个注释：稍后我只需要年份和月份值，所以我将忽略日期和时间。但无论如何，因为我在相当大的日期范围（2001 年到 2018 年之间）之间生成时间戳，所以时间戳会发生变化。

这就是为什么有时会跳过几个月。例如，此快照缺少 2010-02：

|2010-01  |
|2010-03  |
|2010-04  |
|2010-05  |
|2010-06  |
|2010-07  |

我查了一下，从 2001 年到 2018 年只跳过了 3 个月。

标签： apache-sparkpysparkapache-spark-sqldate-range

Answer 1

假设您有以下 DataFrame：

data = [("2000-01-01","2002-12-01")]
df = spark.createDataFrame(data, ["minDate", "maxDate"])
df.show()
#+----------+----------+
#|   minDate|   maxDate|
#+----------+----------+
#|2000-01-01|2002-12-01|
#+----------+----------+

您可以按照与我对此问题的回答相同的方法添加一个列date，其中包含所有月份。minDatemaxDate

只需替换pyspark.sql.functions.datediff为pyspark.sql.functions.months_between，并使用add_months代替date_add：

import pyspark.sql.functions as f

df.withColumn("monthsDiff", f.months_between("maxDate", "minDate"))\
    .withColumn("repeat", f.expr("split(repeat(',', monthsDiff), ',')"))\
    .select("*", f.posexplode("repeat").alias("date", "val"))\
    .withColumn("date", f.expr("add_months(minDate, date)"))\
    .select('date')\
    .show(n=50)
#+----------+
#|      date|
#+----------+
#|2000-01-01|
#|2000-02-01|
#|2000-03-01|
#|2000-04-01|
# ...skipping some rows...
#|2002-10-01|
#|2002-11-01|
#|2002-12-01|
#+----------+