Python 由UDF更改为字符串的所有列的Pyspark数据帧数据类型
我有一个数据框,它有几个列,如email_address(字符串)、paid(整数)和date(日期时间类型) 我正在运行一个UDF,如下所述:Python 由UDF更改为字符串的所有列的Pyspark数据帧数据类型,python,pyspark,apache-spark-sql,spark-dataframe,user-defined-functions,Python,Pyspark,Apache Spark Sql,Spark Dataframe,User Defined Functions,我有一个数据框,它有几个列,如email_address(字符串)、paid(整数)和date(日期时间类型) 我正在运行一个UDF,如下所述: from pyspark.sql.functions import udf, col def conv(column): date_format='%m/%d/%Y' a = None if column: try: a= datetime.strptime(str(column),'%
from pyspark.sql.functions import udf, col
def conv(column):
date_format='%m/%d/%Y'
a = None
if column:
try:
a= datetime.strptime(str(column),'%Y-%m-%d').strftime(date_format)
print("Inside Try")
except:
a = column
print("Inside except")
return a
conv_func = udf(conv)
df_new = date_df.select(*(conv_func(col(c)).alias(c) for c in date_df.columns))
因此,在df_new中,我希望电子邮件地址(字符串)、已付(整数)和日期(字符串)的格式从YYYY-MM-DD更改为MM/DD/YYYY
问题是UDF确实转换了格式,但也将付费列的数据类型从整数更改为字符串,这是我没有预料到的
我想知道如何避免使用这个UDF。这里有一种方法可以用您正在尝试的方式来做到这一点 使用函数测试列是否为日期,并仅对这些列应用转换
from pyspark.sql.functions import udf, col
from pyspark.sql.types import BooleanType
def conv(column):
date_format='%m/%d/%Y'
a = datetime.strptime(str(column),'%Y-%m-%d').strftime(date_format)
return a
def is_date(column):
try:
conv(column)
return True
except:
return False
conv_func = udf(conv)
date_udf = udf(is_date, BooleanType())
df_new = date_df.select(
*(conv_func(col(c)).alias(c) if date_udf(col(c)) else col(c) for c in date_df.columns)
)
我还没有测试过这段(伪)代码(如果您提供了一个,它会有所帮助),但我认为类似的方法应该可以工作。这里有一种方法可以用您正在尝试的方式来实现这一点 使用函数测试列是否为日期,并仅对这些列应用转换
from pyspark.sql.functions import udf, col
from pyspark.sql.types import BooleanType
def conv(column):
date_format='%m/%d/%Y'
a = datetime.strptime(str(column),'%Y-%m-%d').strftime(date_format)
return a
def is_date(column):
try:
conv(column)
return True
except:
return False
conv_func = udf(conv)
date_udf = udf(is_date, BooleanType())
df_new = date_df.select(
*(conv_func(col(c)).alias(c) if date_udf(col(c)) else col(c) for c in date_df.columns)
)
我还没有测试过这段(伪)代码(如果您提供了,它会有所帮助),但我认为类似的方法应该可以工作。要更改日期列的格式,可以使用pyspark sql函数中的date_格式。我创建了示例数据并进行了测试
>>> for pyspark.sql import functions as F
>>> l=[('2018-01-22','id1',123,'2018-01-21'),('2018-01-22','id2',234,'2018-01-21'),('2018-01-22','id3',345,'2018-01-21'),('2018-01-22','id2',456,'2018-01-21')]
>>> df = spark.createDataFrame(l,['date1','id','value','date2'])
>>> df = df.select(df.date1.cast('date'),'id','value',df.date2.cast('date'))
>>> df.printSchema()
root
|-- date1: date (nullable = true)
|-- id: string (nullable = true)
|-- value: long (nullable = true)
|-- date2: date (nullable = true)
>>> df.show()
+----------+---+-----+----------+
| date1| id|value| date2|
+----------+---+-----+----------+
|2018-01-22|id1| 123|2018-01-21|
|2018-01-22|id2| 234|2018-01-21|
|2018-01-22|id3| 345|2018-01-21|
|2018-01-22|id2| 456|2018-01-21|
+----------+---+-----+----------+
>>> dcols,cols = [],[]
>>> for x in df.schema.fields:
... if repr(x.dataType) == 'DateType':
... dcols.append(x.name)
... else:
... cols.append(x.name)
...
>>> dcols
['date1', 'date2']
>>> cols
['id', 'value']
>>> df.select([F.date_format(c,'MM/dd/yyy').alias('%s'%c) for c in dcols]+cols).show()
+----------+----------+---+-----+
| date1| date2| id|value|
+----------+----------+---+-----+
|01/22/2018|01/21/2018|id1| 123|
|01/22/2018|01/21/2018|id2| 234|
|01/22/2018|01/21/2018|id3| 345|
|01/22/2018|01/21/2018|id2| 456|
+----------+----------+---+-----+
## If you still want to use UDF
>>> from datetime import datetime
>>> def conv(column):
... date_format='%m/%d/%Y'
... a = datetime.strptime(str(column),'%Y-%m-%d').strftime(date_format)
... return a
...
>>> conv_func = F.udf(conv)
>>> df.select([conv_func(F.col(x)).alias('%s'%x) for x in dcols]+cols).show()
+----------+----------+---+-----+
| date1| date2| id|value|
+----------+----------+---+-----+
|01/22/2018|01/21/2018|id1| 123|
|01/22/2018|01/21/2018|id2| 234|
|01/22/2018|01/21/2018|id3| 345|
|01/22/2018|01/21/2018|id2| 456|
+----------+----------+---+-----+
希望这会有所帮助。要更改日期列的格式,可以使用pyspark sql函数中的date_格式。我创建了示例数据并进行了测试
>>> for pyspark.sql import functions as F
>>> l=[('2018-01-22','id1',123,'2018-01-21'),('2018-01-22','id2',234,'2018-01-21'),('2018-01-22','id3',345,'2018-01-21'),('2018-01-22','id2',456,'2018-01-21')]
>>> df = spark.createDataFrame(l,['date1','id','value','date2'])
>>> df = df.select(df.date1.cast('date'),'id','value',df.date2.cast('date'))
>>> df.printSchema()
root
|-- date1: date (nullable = true)
|-- id: string (nullable = true)
|-- value: long (nullable = true)
|-- date2: date (nullable = true)
>>> df.show()
+----------+---+-----+----------+
| date1| id|value| date2|
+----------+---+-----+----------+
|2018-01-22|id1| 123|2018-01-21|
|2018-01-22|id2| 234|2018-01-21|
|2018-01-22|id3| 345|2018-01-21|
|2018-01-22|id2| 456|2018-01-21|
+----------+---+-----+----------+
>>> dcols,cols = [],[]
>>> for x in df.schema.fields:
... if repr(x.dataType) == 'DateType':
... dcols.append(x.name)
... else:
... cols.append(x.name)
...
>>> dcols
['date1', 'date2']
>>> cols
['id', 'value']
>>> df.select([F.date_format(c,'MM/dd/yyy').alias('%s'%c) for c in dcols]+cols).show()
+----------+----------+---+-----+
| date1| date2| id|value|
+----------+----------+---+-----+
|01/22/2018|01/21/2018|id1| 123|
|01/22/2018|01/21/2018|id2| 234|
|01/22/2018|01/21/2018|id3| 345|
|01/22/2018|01/21/2018|id2| 456|
+----------+----------+---+-----+
## If you still want to use UDF
>>> from datetime import datetime
>>> def conv(column):
... date_format='%m/%d/%Y'
... a = datetime.strptime(str(column),'%Y-%m-%d').strftime(date_format)
... return a
...
>>> conv_func = F.udf(conv)
>>> df.select([conv_func(F.col(x)).alias('%s'%x) for x in dcols]+cols).show()
+----------+----------+---+-----+
| date1| date2| id|value|
+----------+----------+---+-----+
|01/22/2018|01/21/2018|id1| 123|
|01/22/2018|01/21/2018|id2| 234|
|01/22/2018|01/21/2018|id3| 345|
|01/22/2018|01/21/2018|id2| 456|
+----------+----------+---+-----+
希望这有帮助。为什么pyspark.sql.types中的
会导入StringType
,您的udf
类型在哪里?例如,udf(conv,StringType())
因为我不希望类型严格为StringType,所以我没有提到udf类型。正如您可能已经注意到的,dataframe也有整数类型,我不想将该列强制转换为字符串。我已删除了未使用的导入。不幸的是,udf必须有一个类型,默认情况下,如果您不指定它,它将是“StringType”,这没有任何意义。为什么要对电子邮件应用日期格式。只需对实际要转换的列使用with column
。不要使用udf
。SQL函数很容易做到这一点。为什么pyspark.SQL.types中的会导入StringType
,而您的udf
类型在哪里?例如,udf(conv,StringType())
因为我不希望类型严格为StringType,所以我没有提到udf类型。正如您可能已经注意到的,dataframe也有整数类型,我不想将该列强制转换为字符串。我已删除了未使用的导入。不幸的是,udf必须有一个类型,默认情况下,如果您不指定它,它将是“StringType”,这没有任何意义。为什么要对电子邮件应用日期格式。只需对实际要转换的列使用with column
。不要使用udf
。SQL函数可以轻松做到这一点。