python - 通过将日期列与两个参考列进行比较来计算从日期开始的年期
问题描述
我正在为我参与的一个项目做一些数据准备工作。我们在 Databricks 中完成大部分工作,使用底层 Apache Spark 对大型数据集进行计算。一切都在 PySpark 中完成。
我的目标是将 date 变量转换为 variable yearperiod
,它将一年分为 13 个 4 周的时期(有一些例外)。该值是年份和期间的串联,例如yearperiod = 201513
2015 年,期间 13。
我有两个表:yp_table
其中包含年份的开始日期和结束日期(编辑: type DateType()
)(从 2012 年到现在,编辑:~120 行):
+----------+----------+----------+
| start| end|yearperiod|
+----------+----------+----------+
|2012-01-16|2012-01-29| 201201|
|2012-01-30|2012-02-26| 201202|
|2012-02-27|2012-03-25| 201203|
|2012-03-26|2012-04-22| 201204|
|2012-04-23|2012-05-20| 201205|
|2012-05-21|2012-06-17| 201206|
....
我有一个实际的data
表,其中包含一个 Date 列(编辑: type StringType()
):
+--------+--------+--------+-----+
| Var1| Var2| Date| Var3|
+--------+--------+--------+-----+
| xxxxxx| xxxx|20191231| x,xx|
| xxxxxx| xxxx|20191231| x,xx|
| xxxxxx| xxxx|20191231| x,xx|
| xxxxxx| xxxx|20200101| x,xx|
| xxxxxx| xxxx|20200101| x,xx|
| xxxxxx| xxxx|20200101| x,xx|
| xxxxxx| xxxx|20200101| x,xx|
...
我的问题:如何通过与和进行比较来计算表yearperiod
的列?data
data.Date
yp_table.start
yp_table.end
到目前为止,我已经能够使其与常规 Python(具有列表理解的解决方案)一起使用,但事实证明它对于大型数据集来说太慢了。任何帮助是极大的赞赏!
编辑:出于隐私原因,我无法给出数据框的实际模式。我在上面进行了编辑以包括相关列的类型。
解决方案
向您的 df 添加一列data
,其中包含匹配格式的日期,yp_table
然后将它们按日期间隔过滤。由于yp_table
它很小,您可以使用广播连接来加快速度。
import pyspark.sql.functions as fun
# Date lookup
start_dates = ["2012-01-16", "2012-01-30", "2012-02-27", "2012-03-26", "2012-04-23", "2012-05-21"]
end_dates = ["2012-01-29", "2012-02-26", "2012-03-25", "2012-04-22", "2012-05-20", "2012-06-17"]
yearperiod = ["201201", "201202", "201203", "201204", "201205", "201206"]
yp_table = spark.createDataFrame(pd.DataFrame({'start': start_dates, 'end': end_dates, 'yearperiod': yearperiod}))
# Data df
dates = ["20120116", "20120130", "20120228", "20120301", "20200101", "20200101", "20200101"]
vals = range(0, len(dates))
data = spark.createDataFrame(pd.DataFrame({'Dates':dates, 'vals': vals}))
# Add formatted data_str column for joining
data = data.withColumn("date_str", fun.concat_ws("-", data.Dates.substr(0,4), data.Dates.substr(5,2), data.Dates.substr(7,2))) # + "-" + data.Dates.substr(6,8))
# Broadcase join small yp_table into the data table using conditional
joined = data.join(fun.broadcast(yp_table), (data.date_str >= yp_table.start) & (data.date_str < yp_table.end))
yp_table.show()
data.show()
joined.show()
+----------+----------+----------+
| start| end|yearperiod|
+----------+----------+----------+
|2012-01-16|2012-01-29| 201201|
|2012-01-30|2012-02-26| 201202|
|2012-02-27|2012-03-25| 201203|
|2012-03-26|2012-04-22| 201204|
|2012-04-23|2012-05-20| 201205|
|2012-05-21|2012-06-17| 201206|
+----------+----------+----------+
+--------+----+----------+
| Dates|vals| date_str|
+--------+----+----------+
|20120116| 0|2012-01-16|
|20120130| 1|2012-01-30|
|20120228| 2|2012-02-28|
|20120301| 3|2012-03-01|
|20200101| 4|2020-01-01|
|20200101| 5|2020-01-01|
|20200101| 6|2020-01-01|
+--------+----+----------+
+--------+----+----------+----------+----------+----------+
| Dates|vals| date_str| start| end|yearperiod|
+--------+----+----------+----------+----------+----------+
|20120116| 0|2012-01-16|2012-01-16|2012-01-29| 201201|
|20120130| 1|2012-01-30|2012-01-30|2012-02-26| 201202|
|20120228| 2|2012-02-28|2012-02-27|2012-03-25| 201203|
|20120301| 3|2012-03-01|2012-02-27|2012-03-25| 201203|
+--------+----+----------+----------+----------+----------+
推荐阅读
- powershell - 变量赋值不适用于开关参数
- html - 如何在 Arachni Web Application Security Scanner Framework 中为 PDF 创建生成的扫描报告?
- excel - 我的粘贴功能不起作用,我不知道为什么
- javascript - 如何动态更改活动链接的颜色
- html - 高分辨率下页脚不在底部
- compare - 为什么 Query 需要很长时间才能获取数据
- mysql - 选择多重查询,每个查询都有 2 JOIN
- azure-functions - Azure 应用服务 - 使用两个 B2C 策略保护功能
- javascript - 改变 xValue 展览
- hive - 如何在 shell 脚本中为此配置单元查询使用循环?