如何在Spark（Scala或Python）中将时间范围扩展为每分钟间隔？

我有一个具有以下结构的数据集

+-------+----------+---------------+---------------+
| tv_id | movie_id |  start_time   |   end_time    |
+-------+----------+---------------+---------------+
| tv123 | movie123 | 02/05/19 3:05 | 02/05/19 3:08 |
| tv234 | movie345 | 02/05/19 3:07 | 02/05/19 3:10 |
+-------+----------+---------------+---------------+

我试图获得的输出如下所示：

+-------+----------+---------------+
| tv_id | movie_id |    minute     |
+-------+----------+---------------+
| tv123 | movie123 | 02/05/19 3:05 |
| tv123 | movie123 | 02/05/19 3:06 |
| tv123 | movie123 | 02/05/19 3:07 |
| tv234 | movie345 | 02/05/19 3:07 |
| tv234 | movie345 | 02/05/19 3:08 |
| tv234 | movie345 | 02/05/19 3:09 |
+-------+----------+---------------+

详细说明： 对于tv_id:tv123，总观看时间为3分钟（3:08-3:05） 其他唱片也是如此

我尝试使用python/Scala/或SQL来获得结果。[对使用的语言没有限制] 我的python代码：

df = read_csv('data')
df[minutes_diff] = df['end_time'] - df['start_time']

for i in range(df['minutes_diff']):
    finaldf = df[tv_id] + df[movie_id] + df['start_time'] + df[minutes_diff] + "i"

我不知道该怎么办。 我不太熟悉Scala平面图。一些关于StackOverflow的研究指出使用flatmap，但我不确定如何在flatmap中使用diff来代替聚合

注意：我不想为SQL和Python打开单独的线程，因此在同一个问题中结合所有这两个线程。

---

即使是sql解决方案对我来说也是非常好的。

这里有一个基于Scala的解决方案，它使用UDF，通过

java.time

API将时间范围扩展为

每分钟
列表，然后使用Spark的内置
explode
方法将其展平：

import org.apache.spark.sql.functions._

val df = Seq(
  ("tv123", "movie123", "02/05/19 3:05", "02/05/19 3:08"),
  ("tv234", "movie345", "02/05/19 3:07", "02/05/19 3:10")
).toDF("tv_id", "movie_id", "start_time", "end_time")

def minuteList(timePattern: String) = udf{ (timeS1: String, timeS2: String) =>
  import java.time.LocalDateTime
  import java.time.format.DateTimeFormatter

  val timeFormat = DateTimeFormatter.ofPattern(timePattern)
  val t1 = LocalDateTime.parse(timeS1, timeFormat)
  val t2 = LocalDateTime.parse(timeS2, timeFormat)

  Iterator.iterate(t1)(_.plusMinutes(1)).takeWhile(_ isBefore t2).
    map(_.format(timeFormat)).
    toList
}

df.
  withColumn("minute_list", minuteList("MM/dd/yy H:mm")($"start_time", $"end_time")).
  withColumn("minute", explode($"minute_list")).
  select("tv_id", "movie_id", "minute").
  show(false)
// +-----+--------+-------------+
// |tv_id|movie_id|minute       |
// +-----+--------+-------------+
// |tv123|movie123|02/05/19 3:05|
// |tv123|movie123|02/05/19 3:06|
// |tv123|movie123|02/05/19 3:07|
// |tv234|movie345|02/05/19 3:07|
// |tv234|movie345|02/05/19 3:08|
// |tv234|movie345|02/05/19 3:09|
// +-----+--------+-------------+

下面是一个基于Scala的解决方案，它使用一个UDF，通过
java.time
API将时间范围扩展为
每分钟
列表，然后使用Spark的内置
explode
方法将其展平：

import org.apache.spark.sql.functions._

val df = Seq(
  ("tv123", "movie123", "02/05/19 3:05", "02/05/19 3:08"),
  ("tv234", "movie345", "02/05/19 3:07", "02/05/19 3:10")
).toDF("tv_id", "movie_id", "start_time", "end_time")

def minuteList(timePattern: String) = udf{ (timeS1: String, timeS2: String) =>
  import java.time.LocalDateTime
  import java.time.format.DateTimeFormatter

  val timeFormat = DateTimeFormatter.ofPattern(timePattern)
  val t1 = LocalDateTime.parse(timeS1, timeFormat)
  val t2 = LocalDateTime.parse(timeS2, timeFormat)

  Iterator.iterate(t1)(_.plusMinutes(1)).takeWhile(_ isBefore t2).
    map(_.format(timeFormat)).
    toList
}

df.
  withColumn("minute_list", minuteList("MM/dd/yy H:mm")($"start_time", $"end_time")).
  withColumn("minute", explode($"minute_list")).
  select("tv_id", "movie_id", "minute").
  show(false)
// +-----+--------+-------------+
// |tv_id|movie_id|minute       |
// +-----+--------+-------------+
// |tv123|movie123|02/05/19 3:05|
// |tv123|movie123|02/05/19 3:06|
// |tv123|movie123|02/05/19 3:07|
// |tv234|movie345|02/05/19 3:07|
// |tv234|movie345|02/05/19 3:08|
// |tv234|movie345|02/05/19 3:09|
// +-----+--------+-------------+