Python 如何计算pyspark中的日期差？

我有这样的数据：

df = sqlContext.createDataFrame([
    ('1986/10/15', 'z', 'null'), 
    ('1986/10/15', 'z', 'null'),
    ('1986/10/15', 'c', 'null'),
    ('1986/10/15', 'null', 'null'),
    ('1986/10/16', 'null', '4.0')],
    ('low', 'high', 'normal'))

---

我想计算

low

列和

2017-05-02

列之间的日期差异，并用差异替换

low

列。我在stackoverflow上尝试过相关的解决方案，但两者都不起作用。

您需要将列

low

转换为class date，然后您可以将

datediff（）

与

lit（）

结合使用。使用Spark 2.2：

from pyspark.sql.functions import datediff, to_date, lit

df.withColumn("test", 
              datediff(to_date(lit("2017-05-02")),
                       to_date("low","yyyy/MM/dd"))).show()
+----------+----+------+-----+
|       low|high|normal| test|
+----------+----+------+-----+
|1986/10/15|   z|  null|11157|
|1986/10/15|   z|  null|11157|
|1986/10/15|   c|  null|11157|
|1986/10/15|null|  null|11157|
|1986/10/16|null|   4.0|11156|
+----------+----+------+-----+

使用，我们需要首先将

低

列转换为class

时间戳

：

from pyspark.sql.functions import datediff, to_date, lit, unix_timestamp

df.withColumn("test", 
              datediff(to_date(lit("2017-05-02")),
                       to_date(unix_timestamp('low', "yyyy/MM/dd").cast("timestamp")))).show()

---

或者，如何使用pySpark查找两个后续用户操作之间经过的天数：

import pyspark.sql.functions as funcs
from pyspark.sql.window import Window

window = Window.partitionBy('user_id').orderBy('action_date')

df = df.withColumn("days_passed", funcs.datediff(df.action_date, 
                                  funcs.lag(df.action_date, 1).over(window)))



+----------+-----------+-----------+
|   user_id|action_date|days_passed| 
+----------+-----------+-----------+
|623       |2015-10-21|        null|
|623       |2015-11-19|          29|
|623       |2016-01-13|          59|
|623       |2016-01-21|           8|
|623       |2016-03-24|          63|
+----------+----------+------------+

---

我有一个错误“TypeError:to_date（）正好接受1个参数（2个给定）”，如果

low

列中有Nan值会怎么样？这是因为您使用的是Spark<2.2Tanks。以上只是一个测试数据。我的真实数据在

low

列中有许多值，无法转换到

时间戳中。当`cast（“timestamp”）`时，如何将这些值设置为NaN？就像pandas:pd.to_datetime（errors='concurve'），那么它将默认为
null
，这不是您想要的吗？