將帶有日期的 Pandas DataFrame 轉換為 Spark DataFrame 時出錯

Question

編輯：問題似乎出在標准日期時間庫將日期時間轉換為 Windows 中前紀元日期時間的時間戳中

請參閱以下最小示例：

import datetime

#this works
datetime.datetime(1973,1,23,0).timestamp()

#this produces OSError: [Errno 22] Invalid argument
datetime.datetime(1953,1,23,0).timestamp()

問題

當我將一個帶有 datetime64[ns] 日期的 Pandas 數據幀轉換為 Apache Spark 數據幀時，我收到了一堆關於Exception ignored in: 'pandas._libs.tslibs.tzconversion._tz_convert_tzlocal_utc'的警告Exception ignored in: 'pandas._libs.tslibs.tzconversion._tz_convert_tzlocal_utc' （完整的堆棧跟蹤如下) 和紀元前的日期更改為紀元。 為什么會發生這種情況，我該如何預防？

軟件版本

Windows 10 Python：3.7.6 pyspark 2.4.5 熊貓 1.0.1

復制代碼

#imports
import pandas as pd
from datetime import datetime
from pyspark.sql import SparkSession

#set up spark
spark = SparkSession.builder.getOrCreate()

#create dataframe
df = pd.DataFrame({'Dates': [datetime(2019,3,29), datetime(1953,2,20)]})

#data types
df.dtypes

"""
Result:
Dates    datetime64[ns]
dtype: object
"""

#try to convert to spark
sparkdf = spark.createDataFrame(df)

堆棧跟蹤

Exception ignored in: 'pandas._libs.tslibs.tzconversion._tz_convert_tzlocal_utc'
Traceback (most recent call last):
  File "C:\Users\jbishop\AppData\Roaming\Python\Python37\site-packages\dateutil\tz\_common.py", line 144, in fromutc
    return f(self, dt)
  File "C:\Users\jbishop\AppData\Roaming\Python\Python37\site-packages\dateutil\tz\_common.py", line 258, in fromutc
    dt_wall = self._fromutc(dt)
  File "C:\Users\jbishop\AppData\Roaming\Python\Python37\site-packages\dateutil\tz\_common.py", line 222, in _fromutc
    dtoff = dt.utcoffset()
  File "C:\Users\jbishop\AppData\Roaming\Python\Python37\site-packages\dateutil\tz\tz.py", line 222, in utcoffset
    if self._isdst(dt):
  File "C:\Users\jbishop\AppData\Roaming\Python\Python37\site-packages\dateutil\tz\tz.py", line 291, in _isdst
    dstval = self._naive_is_dst(dt)
  File "C:\Users\jbishop\AppData\Roaming\Python\Python37\site-packages\dateutil\tz\tz.py", line 260, in _naive_is_dst
    return time.localtime(timestamp + time.timezone).tm_isdst
OSError: [Errno 22] Invalid argument

結果數據框

sparkdf.show()
+-------------------+
|              Dates|
+-------------------+
|2019-03-29 00:00:00|
|1970-01-01 00:00:00|
+-------------------+

數據類型

sparkdf.printSchema()
root
 |-- Dates: timestamp (nullable = true)

Answer 1

這不是答案，但可以說明情況。 甚至接近 1970 01 01 00:00 的日期也會給我 Errno 22。（我希望解決一些非常早的時代，因為數據在 NTP 時間可用之前記錄。）按預期工作的最早日期是 1970 01 01 左右17 00

>>> import datetime
>>> a3 = datetime.datetime(1970,1,1,17,59)
>>> a1 = datetime.datetime(1970,1,1,17,0)
>>> a0 = datetime.datetime(1970,1,1,16,59)
>>> a3.timestamp()
89940.0
>>> a1.timestamp()
86400.0
>>> a0.timestamp()
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
OSError: [Errno 22] Invalid argument
>>>

我的計算機處於 MDT 或 GMT - 6 時區（夏令時 MST）

Python 新手和第一次回答作者！ Windows 10。Python 3.7（64 位）。 附近的 Anaconda 但這里沒有使用。