Ինչպես ստանալ Spark-ում տարիքն բիներում՝ ծննդյան ամսաթվի հիման վրա որոշակի ամսաթվի համար։

Apache Spark-ում, ծննդյան ամսաթվի վրա հիմնված տարիքային բիների ստանալու համար, կարող եք հետևել հետևյալ քայլերին՝

1. Հաշվեք տարիք տարիներով՝ հանելով ծննդյան ամսաթիվը նշված ամսաթվից:
2. Հստակեցրեք բիների սահմանները (օրինակ՝ 0-10, 11-20, 21-30 և այլն):
3. Օգտագործեք when կամ bucketizer ֆունկցիան՝ տարիքին համապատասխան բիներ բաժանելու համար:

PySpark-ի օրինակ՝

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"])

# Հղումային ամսաթիվ՝ տարիք հաշվարկելու համար
reference_date = F.lit("2024-06-01")

# Տողերի փոխակերպում ամսաթվեր
df = df.withColumn("birth_date", F.to_date("birth_date"))

# Տարեկան տարիք հաշվարկել
df = df.withColumn(
    "age",
    F.floor(F.months_between(reference_date, F.col("birth_date")) / 12)
)

# Տարեկան բիների սահմանները
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()

Արդյունքում, age_bin սյունակում կերևա այն բինի ինդեքսը, որի մեջ է ընկնում տարիքային արժեքը։ Այս ինդեքսները կարելի է կապել ընթեռնելի նշանների հետ։