Ну, это зависит от того, что вы собираетесь делать потом, я думаю.
Самый простой способ будет делать, как вы предлагаете: подстроки строку с датой, а затем агрегат:
data = [('2015/20/03 18:00', 15, 5),
('2015/20/03 18:30', 25, 4),
('2015/20/03 21:10', 14, 7),
('2015/20/02 21:00', 15, 6)]
df = spark.createDataFrame(data, ['date', 'accidents', 'injured'])
df.withColumn('date_hr',
df['date'].substr(1, 13)
).groupby('date_hr')\
.agg({'accidents': 'avg', 'injured': 'avg'})\
.show()
Если вы, однако, хотите сделать некоторые вычисления позже, вы можете анализировать данные в a TimestampType()
, а затем извлечь из него дату и час.
import pyspark.sql.types as typ
from pyspark.sql.functions import col, udf
from datetime import datetime
parseString = udf(lambda x: datetime.strptime(x, '%Y/%d/%m %H:%M'), typ.TimestampType())
getDate = udf(lambda x: x.date(), typ.DateType())
getHour = udf(lambda x: int(x.hour), typ.IntegerType())
df.withColumn('date_parsed', parseString(col('date'))) \
.withColumn('date_only', getDate(col('date_parsed'))) \
.withColumn('hour', getHour(col('date_parsed'))) \
.groupby('date_only', 'hour') \
.agg({'accidents': 'avg', 'injured': 'avg'})\
.show()
удалось легко подстроить при сопоставлении с помощью y [0] [: 13]. верьте, что ваше решение выглядит более элегантно. Спасибо! У вас есть еще один вопрос, если бы у меня был другой файл с другими данными, скажем, с другого года, как бы я получил среднее количество несчастных случаев и травм? помещая все в один файл, а затем выполняя вычисления? – sampak
Я бы либо прочитал этот файл, либо выполнил агрегацию только по этим данным, либо, если вам нужно, чтобы результаты были получены за один раз (и если вы работаете с Spark 2.0), вы можете: .union (...) ' два (или более) 'DataFrames' вместе. http://spark.apache.org/docs/latest/api/python/pyspark.sql.html#pyspark.sql.DataFrame.union – TDrabas