Después de indagar en varios repositorios y páginas al terminar nos hemos encontrado la respuesta que te compartiremos pronto.
Solución:
no necesitas un udf funcion para eso
Todo lo que necesitas es elabore la columna de época doble para timestampType() y luego usar data_format funciona como se muestra a continuación
from pyspark.sql import functions as f
from pyspark.sql import types as t
df.withColumn('epoch', f.date_format(df.epoch.cast(dataType=t.TimestampType()), "yyyy-MM-dd"))
esto te dará una string fecha
root
|-- epoch: string (nullable = true)
|-- var1: double (nullable = true)
|-- var2: double (nullable = true)
Y puedes usar to_date funciona de la siguiente manera
from pyspark.sql import functions as f
from pyspark.sql import types as t
df.withColumn('epoch', f.to_date(df.epoch.cast(dataType=t.TimestampType())))
que te daría date como datatype a epoch columna
root
|-- epoch: date (nullable = true)
|-- var1: double (nullable = true)
|-- var2: double (nullable = true)
espero que la respuesta sea de ayuda
La respuesta de Ramesh Maharjan no admite la obtención de milisegundos o microsegundos en la marca de tiempo. La respuesta actualizada para agregar soporte para milisegundos es la siguiente:
Implementando el enfoque sugerido en la respuesta de Dao Thi
import pyspark.sql.functions as F
df = spark.createDataFrame([('22-Jul-2018 04:21:18.792 UTC', ),('23-Jul-2018 04:21:25.888 UTC',)], ['TIME'])
df.show(2,False)
df.printSchema()
Producción:
+----------------------------+
|TIME |
+----------------------------+
|22-Jul-2018 04:21:18.792 UTC|
|23-Jul-2018 04:21:25.888 UTC|
+----------------------------+
root
|-- TIME: string (nullable = true)
Mudado string formato de tiempo (incluyendo milisegundos) a unix_timestamp(doble). Extrayendo milisegundos de string usando el método de subcadena (start_position = -7, length_of_substring=3) y agregando milisegundos por separado a unix_timestamp. (Transmitir a subcadena para flotar para agregar)
df1 = df.withColumn("unix_timestamp",F.unix_timestamp(df.TIME,'dd-MMM-yyyy HH:mm:ss.SSS z') + F.substring(df.TIME,-7,3).cast('float')/1000)
Mudado unix_timestamp(doble) a tipo de datos de marca de tiempo en Chispa.
df2 = df1.withColumn("TimestampType",F.to_timestamp(df1["unix_timestamp"]))
df2.show(n=2,truncate=False)
Esto le dará la siguiente salida
+----------------------------+----------------+-----------------------+
|TIME |unix_timestamp |TimestampType |
+----------------------------+----------------+-----------------------+
|22-Jul-2018 04:21:18.792 UTC|1.532233278792E9|2018-07-22 04:21:18.792|
|23-Jul-2018 04:21:25.888 UTC|1.532319685888E9|2018-07-23 04:21:25.888|
+----------------------------+----------------+-----------------------+
Comprobando el esquema:
df2.printSchema()
root
|-- TIME: string (nullable = true)
|-- unix_timestamp: double (nullable = true)
|-- TimestampType: timestamp (nullable = true)
Si piensas que te ha sido útil nuestro artículo, agradeceríamos que lo compartas con otros entusiastas de la programación de esta forma contrubuyes a difundir nuestra información.