在Pyspark中将列类型从字符串更改为日期

Question

我尝试将字符串类型从字符串更改为日期。我咨询过：

1. How to change the column type from String to Date in DataFrames?
2. Why I get null results from date_format() PySpark function?

当我尝试从链接1应用答案时，我得到了null结果，所以我提到了链接2的答案，但我不理解这一部分：

output_format = ...  # Some SimpleDateFormat string

我想直接从评论中提问，但唉，我的声誉还不够。

Answer 1

希望这有帮助！

from pyspark.sql.functions import col, unix_timestamp, to_date

#sample data
df = sc.parallelize([['12-21-2006'],
                     ['05-30-2007'],
                     ['01-01-1984'],
                     ['12-24-2017']]).toDF(["date_in_strFormat"])
df.printSchema()

df = df.withColumn('date_in_dateFormat', 
                   to_date(unix_timestamp(col('date_in_strFormat'), 'MM-dd-yyyy').cast("timestamp")))
df.show()
df.printSchema()

输出是：

root
 |-- date_in_strFormat: string (nullable = true)

+-----------------+------------------+
|date_in_strFormat|date_in_dateFormat|
+-----------------+------------------+
|       12-21-2006|        2006-12-21|
|       05-30-2007|        2007-05-30|
|       01-01-1984|        1984-01-01|
|       12-24-2017|        2017-12-24|
+-----------------+------------------+

root
 |-- date_in_strFormat: string (nullable = true)
 |-- date_in_dateFormat: date (nullable = true)

Answer 2

简单方法：

from pyspark.sql.types import *
df_1 = df.withColumn("col_with_date_format",
df["col_with_date_format"].cast(DateType()))

Answer 3

使用默认的to_date函数，这是一种更简单的方法：

from pyspark.sql import functions as F
df= df.withColumn('col_with_date_format',F.to_date(df.col_with_str_format))