[英]converting RDD to dataframe fails on string to date conversion
我正在從 xml 中提取一些數據。 我的整體工作流程可能效率低下,是:
我創建了如下RDD:
rddd = df_individual.rdd.map(tuple)
'df_individual' 是原始 dataframe,其中讀取 xml。
下面是架構:
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())
])
它失敗了
df_result = spark.createDataFrame(rddd, schema)
錯誤是
TypeError: field dt_dob: DateType can not accept object '1973-02-19' in type <class 'str'>
創建“df_result”dataframe 的主要目的是具有預定義的模式並隱式轉換 RDD 和 dataframe 之間存在差異的所有列。 這是我第一次使用 RDD,我找不到針對這種情況的直接轉換機制。
如果您可以幫助解決鑄造錯誤或分享更好的工作流程,那就太好了。
謝謝
如果您的目標只是將數據放入正確的模式並將一些字符串列轉換為日期列,我將使用select
與to_date結合使用。
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
具有日期數據類型。
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.