როგორ მივიღოთ ასაკი ბინებში Spark-ში დაბადების თარიღის მიხედვით გარკვეულ თარიღზე?

Apache Spark-ში, დაბადების თარიღზე დაფუძნებული ასაკის ბინების მიღება შესაძლებელია შემდეგი ნაბიჯებით:

1. გამოთვალეთ ასაკი წლებით, გამოაკლეთ დაბადების თარიღი მითითებულ თარიღს.
2. განსაზღვრეთ ბინების საზღვრები (მაგალითად, 0-10, 11-20, 21-30 და ასე შემდეგ).
3. გამოიყენეთ when ან bucketizer ფუნქცია ასაკის განაწილებისთვის ბინებში.

PySpark-ის მაგალითი:

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"])

# მითითებული თარიღი ასაკის გამოთვლისთვის
reference_date = F.lit("2024-06-01")

# სტრიქონების თარიღად გარდაქმნა
df = df.withColumn("birth_date", F.to_date("birth_date"))

# ასაკის გამოთვლა წლებით
df = df.withColumn(
    "age",
    F.floor(F.months_between(reference_date, F.col("birth_date")) / 12)
)

# ასაკის ბინების განსაზღვრა
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()

შედეგად, age_bin სვეტში გამოჩნდება ბინის ინდექსი, რომელშიც ასაკი შედის. ამ ინდექსებს ასევე შეიძლება მიერთოთ წაკითხული ეტიკეტები.