Spark-da doğum tarixinə əsasən müəyyən bir tarixdə yaş qruplarını necə əldə etmək olar?

Apache Spark-da, doğum tarixinə əsasən müəyyən bir tarixdə yaşları binlərə ayırmaq üçün aşağıdakı addımları izləyə bilərsiniz:

1. Doğum tarixindən verilmiş tarixə qədər olan fərqi illərlə hesablayın.
2. Bin sərhədlərini müəyyən edin (məsələn, 0-10, 11-20, 21-30 və s.).
3. when və ya bucketizer funksiyasını istifadə edərək yaşları binlərə bölün.

PySpark nümunəsi:

from pyspark.sql import functions as F
from pyspark.sql import SparkSession

spark = SparkSession.builder.getOrCreate()

data = [
    ("2000-05-15",),
    ("1985-10-30",),
    ("2010-01-01",)
]

df = spark.createDataFrame(data, ["birth_date"])

# İstinad tarixi
reference_date = F.lit("2024-06-01")

# Tarixləri çevirmək
df = df.withColumn("birth_date", F.to_date("birth_date"))

# Yaşı hesablamaq
df = df.withColumn(
    "age",
    F.floor(F.months_between(reference_date, F.col("birth_date")) / 12)
)

# Yaş binlərini təyin etmək
bins = [0, 10, 20, 30, 40, 50, 60, 100]

from pyspark.ml.feature import Bucketizer

bucketizer = Bucketizer(
    splits=bins,
    inputCol="age",
    outputCol="age_bin"
)

df = bucketizer.transform(df)

df.show()

Nəticədə, age_bin sütununda yaşın hansı binə aid olduğu göstəriləcək. Bu indeksləri oxunaqlı etiketlərlə də əlaqələndirmək mümkündür.