[英]converting RDD to dataframe fails on string to date conversion
我正在从 xml 中提取一些数据。 我的整体工作流程可能效率低下,是:
我创建了如下RDD:
rddd = df_individual.rdd.map(tuple)
'df_individual' 是原始 dataframe,其中读取 xml。
下面是架构:
schema = types.StructType([
types.StructField('applicaion_id', types.StringType()),
types.StructField('cd_type', types.StringType()),
types.StructField('cd_title', types.StringType()),
types.StructField('firstname', types.StringType()),
types.StructField('middlename', types.StringType()),
types.StructField('nm_surname', types.StringType()),
types.StructField('dt_dob', types.DateType()),
types.StructField('cd_gender', types.StringType()),
types.StructField('cd_citizenship', types.StringType())
])
它失败了
df_result = spark.createDataFrame(rddd, schema)
错误是
TypeError: field dt_dob: DateType can not accept object '1973-02-19' in type <class 'str'>
创建“df_result”dataframe 的主要目的是具有预定义的模式并隐式转换 RDD 和 dataframe 之间存在差异的所有列。 这是我第一次使用 RDD,我找不到针对这种情况的直接转换机制。
如果您可以帮助解决铸造错误或分享更好的工作流程,那就太好了。
谢谢
如果您的目标只是将数据放入正确的模式并将一些字符串列转换为日期列,我将使用select
与to_date结合使用。
df.select('applicaion_id', 'cd_type', 'cd_title', 'firstname', 'middlename', 'nm_surname', \
F.to_date('dt_dob').alias('dt_bob'), \
'cd_gender', 'cd_citizenship') \
.printSchema()
印刷
root
|-- applicaion_id: string (nullable = true)
|-- cd_type: string (nullable = true)
|-- cd_title: string (nullable = true)
|-- firstname: string (nullable = true)
|-- middlename: string (nullable = true)
|-- nm_surname: string (nullable = true)
|-- dt_bob: date (nullable = true)
|-- cd_gender: string (nullable = true)
|-- cd_citizenship: string (nullable = true)
列dt_bob
具有日期数据类型。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.