Question

我正在使用pyspark 2.1，我有一个数据框，其中包含两列，其日期格式如下：

Column A ,  START_DT       ,  END_DT
1        ,  2016-01-01     ,  2020-02-04
16       ,  2017-02-23     ,  2017-12-24

我要过滤2018-12-31和START_DT之间的某个日期（例如END_DT）（在此示例中，第二行将被过滤）。 / p>

START_DT和END_DT列均已采用日期格式，我一直在寻找类似sql的方法：

SELECT *
FROM  MYTABLE  WHERE  '2018-12-31' BETWEEN start_dt AND end_dt

Answer 1

如果您有有效的SQL查询，则始终可以将DataFrame注册为临时表并使用spark.sql()：

df.createOrReplaceTempView("MYTABLE")
spark.sql("SELECT * FROM MYTABLE WHERE '2018-12-31' BETWEEN start_dt AND end_dt").show()
#+-------+----------+----------+
#|ColumnA|  START_DT|    END_DT|
#+-------+----------+----------+
#|      1|2016-01-01|2020-02-04|
#+-------+----------+----------+

另一种选择是将表达式传递给where：

df.where("'2018-12-31' BETWEEN start_dt AND end_dt").show()
#+-------+----------+----------+
#|ColumnA|  START_DT|    END_DT|
#+-------+----------+----------+
#|      1|2016-01-01|2020-02-04|
#+-------+----------+----------+

另一种方法是将pyspark.sql.Column.between与pyspark.sql.functions.lit一起使用，但是您必须使用pyspark.sql.functions.expr才能use a column value as a parameter。

from pyspark.sql.functions import lit, expr

test_date = "2018-12-31"
df.where(lit(test_date).between(expr('start_dt'), expr('end_dt'))).show()
#+-------+----------+----------+
#|ColumnA|  START_DT|    END_DT|
#+-------+----------+----------+
#|      1|2016-01-01|2020-02-04|
#+-------+----------+----------+

最后，您可以实现自己的between版本：

from pyspark.sql.functions import col

df.where((col("start_dt") <= lit(test_date)) & (col("end_dt") >= lit(test_date))).show()
#+-------+----------+----------+
#|ColumnA|  START_DT|    END_DT|
#+-------+----------+----------+
#|      1|2016-01-01|2020-02-04|
#+-------+----------+----------+

如何在两个日期格式列之间按日期过滤python Spark DataFrame

1 个答案: