Question

我有一个从Hive表加载的数据帧df，它有一个时间戳列，比如ts，字符串类型为格式dd-MMM-yy hh.mm.ss.MS a（转换为python datetime库，这是{ {1}}）。

现在我想过滤数据帧中过去五分钟的行：

%d-%b-%y %I.%M.%S.%f %p

然而，这不起作用，我收到此消息

only_last_5_minutes = df.filter(
    datetime.strptime(df.ts, '%d-%b-%y %I.%M.%S.%f %p') > datetime.now() - timedelta(minutes=5)
)

看起来我的列操作有错误的应用程序，在我看来我必须创建一个lambda函数来过滤满足所需条件的每一列，但特别是Python和lambda表达式的新手，我不知道我知道如何正确创建我的过滤器。请指教。

P.S。我更喜欢将我的过滤器表示为Python native（或SparkSQL），而不是Hive sql查询表达式'WHERE'中的过滤器。

首选：

TypeError: strptime() argument 1 must be string, not Column

不是首选：

df = sqlContext.sql("SELECT * FROM my_table")
df.filter( // filter here)

Answer 1

可以使用用户定义的功能。

from datetime import datetime, timedelta
from pyspark.sql.types import BooleanType, TimestampType
from pyspark.sql.functions import udf, col

def in_last_5_minutes(now):
    def _in_last_5_minutes(then):
        then_parsed = datetime.strptime(then, '%d-%b-%y %I.%M.%S.%f %p')
        return then_parsed > now - timedelta(minutes=5)
    return udf(_in_last_5_minutes, BooleanType())

使用一些虚拟数据：

df = sqlContext.createDataFrame([
    (1, '14-Jul-15 11.34.29.000000 AM'),
    (2, '14-Jul-15 11.34.27.000000 AM'),
    (3, '14-Jul-15 11.32.11.000000 AM'),
    (4, '14-Jul-15 11.29.00.000000 AM'),
    (5, '14-Jul-15 11.28.29.000000 AM')
], ('id', 'datetime'))

now = datetime(2015, 7, 14, 11, 35)
df.where(in_last_5_minutes(now)(col("datetime"))).show()

正如预期的那样，我们只得到3个条目：

+--+--------------------+
|id|            datetime|
+--+--------------------+
| 1|14-Jul-15 11.34.2...|
| 2|14-Jul-15 11.34.2...|
| 3|14-Jul-15 11.32.1...|
+--+--------------------+

再次解析日期时间字符串的效率相当低，因此您可以考虑存储TimestampType。

def parse_dt():
    def _parse(dt):
        return datetime.strptime(dt, '%d-%b-%y %I.%M.%S.%f %p')
    return udf(_parse, TimestampType())

df_with_timestamp = df.withColumn("timestamp", parse_dt()(df.datetime))

def in_last_5_minutes(now):
    def _in_last_5_minutes(then):
        return then > now - timedelta(minutes=5)
    return udf(_in_last_5_minutes, BooleanType())

df_with_timestamp.where(in_last_5_minutes(now)(col("timestamp")))

和结果：

+--+--------------------+--------------------+
|id|            datetime|           timestamp|
+--+--------------------+--------------------+
| 1|14-Jul-15 11.34.2...|2015-07-14 11:34:...|
| 2|14-Jul-15 11.34.2...|2015-07-14 11:34:...|
| 3|14-Jul-15 11.32.1...|2015-07-14 11:32:...|
+--+--------------------+--------------------+

最后，可以使用带有时间戳的原始SQL查询：

query = """SELECT * FROM df
     WHERE unix_timestamp(datetime, 'dd-MMM-yy HH.mm.ss.SSSSSS a') > {0}
     """.format(time.mktime((now - timedelta(minutes=5)).timetuple()))

sqlContext.sql(query)

与上面相同，解析日期字符串一次会更有效。

如果列已经是timestamp，则可以使用datetime文字：

from pyspark.sql.functions import lit

df_with_timestamp.where(
    df_with_timestamp.timestamp > lit(now - timedelta(minutes=5)))

编辑

从Spark 1.5开始，您可以按如下方式解析日期字符串：

from pyspark.sql.functions import from_unixtime, unix_timestamp
from pyspark.sql.types import TimestampType

df.select((from_unixtime(unix_timestamp(
    df.datetime, "yy-MMM-dd h.mm.ss.SSSSSS aa"
))).cast(TimestampType()).alias("datetime"))

Answer 2

from pyspark.sql.functions import *
df.withColumn("seconds_from_now", current_timestamp() - col("ts").cast("long"))
df = df.filter(df.seconds_from_now <= 5*60).drop("seconds_from_now")

df是结果数据帧，其中包含最近五分钟的结果。

PySpark中的列过滤

2 个答案: