pyspark 中的日期格式

Question

我有一个带有日期列的数据框，其中存在不同类型的日期格式。我只想验证和提取日期格式为 'MM-dd-yy' 的记录，但是当我验证和提取时，我也得到格式为 ''MM-dd-yyyy'. 的记录提取格式为 '[ 的记录的正确格式是什么=14=]

from pyspark.sql import functions as F,Window
df = sc.parallelize([['12-21-20'],
                     ['05-30-2020'],
                     ['01-01-1984'],
                     ['12-24-20']]).toDF(["Date"])

df.show()
+----------+
|      Date|
+----------+
|  12-21-20|
|05-30-2020|
|01-01-1984|
|  12-24-20|
+----------+
spark.sql("set spark.sql.legacy.timeParserPolicy=LEGACY")
df=df.filter(~F.col("Date").isNotNull()|
                                           to_date(F.col("Date"),'MM-dd-yy').isNotNull()) 
display(df)
+----------+
|      Date|
+----------+
|  12-21-20|
|05-30-2020|
|01-01-1984|
|  12-24-20|
+----------+

预期输出：

+----------+
|      Date|
+----------+
|  12-21-20|
|  12-24-20|
+----------+

Answer 1

您可以将格式指定为 MM-dd-yyyy，它会将 00 附加到带有 2 位数字的年份，您可以根据它进行过滤。

df.where(to_date(F.col("Date"),'MM-dd-yyyy').rlike('^00[1-9]+') &
to_date(F.col("Date"),'MM-dd-yyyy').isNotNull()).show()

+--------+
|    Date|
+--------+
|12-21-20|
|12-24-20|
+--------+

Answer 2

我找到了一种不使用 to_date 而是 regexp_extract

的简单方法

df = df.filter((F.regexp_extract('Date', '(\d{2}-\d{2}-\d{2})$', 1) != '') & 
               (F.to_date('Date', 'MM-dd-yy').isNotNull()))
df.show()

+--------+
|    Date|
+--------+
|12-21-20|
|12-24-20|
+--------+

Answer 3

使用 rlike 和 to_date

>>> df.filter((f.col("Date").rlike('^\d{2}-\d{2}-\d{2}$')) 
            & (f.to_date(f.col("Date"), "MM-dd-yy")).isNotNull()).show()
+--------+
|    Date|
+--------+
|12-21-20|
|12-24-20|
+--------+

pyspark 中的日期格式

Format for dates in pyspark

python

apache-spark

date

pyspark

date-format