Kuidas Sparkis saada vanus binades vastavalt sünnikuupäeval kindlal kuupäeval?

Apache Spark'is võimaldab vanust binides saada järgmiste sammude abil:

1. Arvuta vanus aastates, lahutades sünnikuupäeva antud kuupäevast.
2. Määra binide piirid (näiteks 0-10, 11-20, 21-30 jne).
3. Kasuta funktsiooni when või bucketizer, et jagada vanus binidesse.

PySpark näide:

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"])

# Viited kuupäev vanuse arvutamiseks
reference_date = F.lit("2024-06-01")

# Muuda stringid kuupäevadeks
df = df.withColumn("birth_date", F.to_date("birth_date"))

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

# Määra vanuse binid
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()

Tulemusena näitab veerg age_bin bin-i indeksit, kuhu vanus kuulub. Neid indekseid saab ka siduda loetavate siltidega.