Actualización (10/1/2018):
Para Spark 2.2+, la mejor manera de hacer esto probablemente sea usando las funciones to_date
o to_timestamp
, que son compatibles con el format
argumento. De los documentos:
>>> from pyspark.sql.functions import to_timestamp
>>> df = spark.createDataFrame([('1997-02-28 10:30:00',)], ['t'])
>>> df.select(to_timestamp(df.t, 'yyyy-MM-dd HH:mm:ss').alias('dt')).collect()
[Row(dt=datetime.datetime(1997, 2, 28, 10, 30))]
Respuesta original (para Spark <2.2)
Es posible (¿preferible?) Hacer esto sin un udf:
from pyspark.sql.functions import unix_timestamp, from_unixtime
df = spark.createDataFrame(
[("11/25/1991",), ("11/24/1991",), ("11/30/1991",)],
['date_str']
)
df2 = df.select(
'date_str',
from_unixtime(unix_timestamp('date_str', 'MM/dd/yyy')).alias('date')
)
print(df2)
df2.show(truncate=False)
groupBy
operaciones de remuestreo. Simplemente realícelos en las columnas de la cadena.