使用 Pyspark 将列从字符串转换为时间戳

Question

我有一个包含 2 列（Violation_Time、Time_First_Observed）的 pyspark 数据框，它们被捕获为字符串。数据示例如下，其中捕获为 HHmm，其中 "A" 或 "P" 代表上午或下午。此外，数据有错误，其中一些条目超过 24HH。

Violation_Time          Time_First_Observed
0830A                   1600P
1450P                   0720A
1630P                   2540P
0900A                   0100A

我想使用 pyspark 删除两列的 "A" 和 "P"，然后将数据（例如 0800、1930 等）转换为时间戳以供分析。我已尝试为 "Violation_Time" 列执行此操作并创建一个新列 "timestamp" 来存储它（请参阅下面的代码）。但是，我似乎无法做到。感谢任何形式的帮助，谢谢。

sparkdf3.withColumn('timestamp',F.to_timestamp("Violation_Time", "HH"))
sparkdf3.select(['Violation_Time','timestamp']).show()

Answer 1

您可以使用以下

sparkdf3 = sparkdf3.withColumn('timestamp', func.split(func.to_timestamp('Violation_Time', 'HHmm'), ' ').getItem(1))
sparkdf3.select(['Violation_Time','timestamp']).show()

说明

sparkdf3.withColumn('timestamp', 
   func.split(
      func.to_timestamp('Violation_Time', 'HHmm') #Convert to timestamp. It will convert in datetime format
       , ' '
    ).getItem(1) #Split on space and get first item
)

使用 Pyspark 将列从字符串转换为时间戳

Using Pyspark to convert column from string to timestamp

apache-spark-sql

pyspark

pyspark-sql

pyspark-dataframes