python - 如何在具有不同日期格式的列上将字符串转换为日期

Question

我的Spark DataFrame中有一列open_date，其字符串类型值如下，这是两种不同的格式yyyymmdd和yyyymm

+---------+
|open_date|
+---------+
| 19500102| 
|   195001| 
+---------+

我的预期输出是

+----------+
| open_date|
+----------+
|1950-01-02|
|1950-01-01|
+----------+

我尝试使用pyspark.sql.functions.substr，pyspark.sql.functions.split和pyspark.sql.functions.regex_extract将此字符串转换为日期格式。由于对这些知识的了解有限，他们都没有成功。

如何在不同格式的列上将字符串转换为日期类型？

Answer 1

您可以要求存在yyyy和mm，但是将dd设置为可选。将它们分成自己的捕获组，如果缺少filter，则将其分成dd，然后使用join分隔符将其分隔为'-'。

>>> import re
>>> s = '19500102 195001'
>>> ['-'.join(filter(None, i)) for i in re.findall(r'(\d{4})(\d{2})(\d{2})?', s)]
['1950-01-02', '1950-01']