apache-spark - 如何将所有日期格式转换为日期列的时间戳？

Question

我使用的是 PySpark 版本 3.0.1。我正在读取一个 csv 文件作为具有 2 个日期列的 PySpark 数据框。但是当我尝试打印模式时，两列都填充为字符串类型。

上面的屏幕截图是数据框和数据框的架构。

如何使用 pyspark 将日期列中的行值转换为时间戳格式？

我已经尝试了很多东西，但所有代码都需要当前格式，但如果我不知道 csv 文件中的格式是什么，如何转换为正确的时间戳。

我也尝试了下面的代码，但这是创建一个具有空值的新列

df1 = df.withColumn('datetime', col('joining_date').cast('timestamp'))
print(df1.show())
print(df1.printSchema())

Answer 1

由于有两种不同的日期类型，您需要使用两种不同的日期格式进行转换，并合并结果。

import pyspark.sql.functions as F

result = df.withColumn(
    'datetime',
    F.coalesce(
        F.to_timestamp('joining_date', 'MM-dd-yy'),
        F.to_timestamp('joining_date', 'MM/dd/yy')
    )
)

result.show()
+------------+-------------------+
|joining_date|           datetime|
+------------+-------------------+
|    01-20-20|2020-01-20 00:00:00|
|    01/19/20|2020-01-19 00:00:00|
+------------+-------------------+

如果你想全部转换为单一格式:

import pyspark.sql.functions as F

result = df.withColumn(
    'datetime',
    F.date_format(
        F.coalesce(
            F.to_timestamp('joining_date', 'MM-dd-yy'),
            F.to_timestamp('joining_date', 'MM/dd/yy')
        ),
        'MM-dd-yy'
    )
)

result.show()
+------------+--------+
|joining_date|datetime|
+------------+--------+
|    01-20-20|01-20-20|
|    01/19/20|01-19-20|
+------------+--------+