Pyspark将列的类型从日期更改为字符串

Question

我有以下数据框：

corr_temp_df
[('vacationdate', 'date'),
 ('valueE', 'string'),
 ('valueD', 'string'),
 ('valueC', 'string'),
 ('valueB', 'string'),
 ('valueA', 'string')]

现在，我想将Vacationdate列的数据类型更改为String，以便数据框也采用这种新类型并覆盖所有条目的数据类型数据。例如写后：

corr_temp_df.dtypes

Vacationdate的数据类型应被覆盖。

我已经使用过诸如cast，StringType或astype之类的函数，但是我没有成功。你知道怎么做吗？

Answer 1

让我们创建一些虚拟数据：

import datetime
from pyspark.sql import Row
from pyspark.sql.functions import col

row = Row("vacationdate")

df = sc.parallelize([
    row(datetime.date(2015, 10, 07)),
    row(datetime.date(1971, 01, 01))
]).toDF()

如果Spark> = 1.5.0，则可以使用以下date_format功能：

from pyspark.sql.functions import date_format

(df
   .select(date_format(col("vacationdate"), "dd-MM-YYYY")
   .alias("date_string"))
   .show())

在Spark <1.5.0中，可以使用Hive UDF完成：

df.registerTempTable("df")
sqlContext.sql(
    "SELECT date_format(vacationdate, 'dd-MM-YYYY') AS date_string FROM df")

当然，在Spark> = 1.5.0中仍然可用。

如果不使用HiveContext，则可以date_format使用UDF进行模拟：

from pyspark.sql.functions import udf, lit
my_date_format = udf(lambda d, fmt: d.strftime(fmt))

df.select(
    my_date_format(col("vacationdate"), lit("%d-%m-%Y")).alias("date_string")
).show()

请注意，它使用的是C标准格式，而不是Java简单的日期格式