Comment obtenir l'âge en bins dans Spark selon la date de naissance à une date donnée?

Dans Apache Spark, pour obtenir l'âge en bins basé sur la date de naissance à une date donnée, vous pouvez suivre ces étapes:

1. Calculer l'âge en années en soustrayant la date de naissance de la date donnée.
2. Définir les limites des bins (par exemple, 0-10, 11-20, 21-30, etc.).
3. Utiliser la fonction when ou bucketizer pour répartir l'âge dans les bins.

Exemple en PySpark:

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"])

# Date de référence pour le calcul de l'âge
reference_date = F.lit("2024-06-01")

# Convertir les chaînes en dates
df = df.withColumn("birth_date", F.to_date("birth_date"))

# Calculer l'âge en années
df = df.withColumn(
    "age",
    F.floor(F.months_between(reference_date, F.col("birth_date")) / 12)
)

# Définir les bins d'âge
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()

Le résultat sera que la colonne age_bin contiendra l'indice du bin dans lequel tombe l'âge. Vous pouvez également associer ces indices à des étiquettes lisibles.