验证和更改 pyspark 中的日期格式

Question

我有一个具有不同日期格式的日期列。现在我想用特定格式 ('MM-dd-yyyy') 验证它，并且不匹配的日期必须格式化为所需的格式。

df = sc.parallelize([['12-21-2006'],
                     ['05/30/2007'],
                     ['01-01-1984'],
                     ['22-12-2017'],
                     ['12222019']]).toDF(["Date"])
df.show()
+----------+
|      Date|
+----------+
|12-21-2006|
|05/30/2007|
|01-01-1984|
|22-12-2017|
|  12222019|
+----------+

现在验证，

correct=df.filter(~F.col("Date").isNotNull()|
                                           to_date(F.col("Date"),'MM-dd-yyyy').isNotNull())
correct.show()

+----------+
|      Date|
+----------+
|12-21-2006|
|01-01-1984|
+----------+

现提取错误记录如下：-

wrong = df.exceptAll(correct)
wrong.show()

+----------+
|      Date|
+----------+
|05/30/2007|
|  12222019|
|22-12-2017|
+----------+

现在必须将这些错误的记录日期格式化为所需的格式，即

'MM-dd-yyyy'

如果是单个日期，我可以通过指定特定格式来更改格式，但如何将不同的日期格式转换为所需的日期格式？有解决办法吗？

Answer 1

您可以在不同的列中尝试不同的时间格式，然后使用 coalesce:

获取第一个非空值

df.withColumn("d1", F.to_date(F.col("Date"),'MM-dd-yyyy')) \
  .withColumn("d2", F.to_date(F.col("Date"),'MM/dd/yyyy')) \
  .withColumn("d3", F.to_date(F.col("Date"),'dd-MM-yyyy')) \
  .withColumn("d4", F.to_date(F.col("Date"),'MMddyyyy')) \
  .withColumn("result", F.coalesce("d1", "d2", "d3", "d4")) \
  .show()

输出：

+----------+----------+----------+----------+----------+----------+
|      Date|        d1|        d2|        d3|        d4|    result|
+----------+----------+----------+----------+----------+----------+
|12-21-2006|2006-12-21|      null|      null|      null|2006-12-21|
|05/30/2007|      null|2007-05-30|      null|      null|2007-05-30|
|01-01-1984|1984-01-01|      null|1984-01-01|      null|1984-01-01|
|22-12-2017|      null|      null|2017-12-22|      null|2017-12-22|
|  12222019|      null|      null|      null|2019-12-22|2019-12-22|
+----------+----------+----------+----------+----------+----------+

验证和更改 pyspark 中的日期格式

Validate and change the date formats in pyspark

date

pyspark

databricks

date-format

date-formatting