Kaip Spark gauti amžių binų pagal gimimo datą tam tikru data?

Apache Spark'e, norint gauti amžių binuose pagal gimimo datą tam tikru data, galite sekti šiuos žingsnius:

1. Apskaičiuokite amžių metais, atimant gimimo datą iš nurodytos datos.
2. Nustatykite binų ribas (pvz., 0-10, 11-20, 21-30 ir kt.).
3. Naudokite funkciją when arba bucketizer, kad paskirstytumėte amžių į binus.

PySpark pavyzdys:

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"])

# Referencinė data amžiaus skaičiavimui
reference_date = F.lit("2024-06-01")

# Konvertuoti eilutes į datas
df = df.withColumn("birth_date", F.to_date("birth_date"))

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

# Nustatyti amžiaus binus
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()

Rezultatas bus, kad stulpelyje age_bin bus rodomas binų indeksas, į kurį patenka amžius. Šiuos indeksus taip pat galima susieti su skaitomais žymekliais.