Kā Spark iegūt vecumu binās pēc dzimšanas datuma noteiktā datumā?

Apache Spark'da, lai iegūtu vecumu binos pēc dzimšanas datuma noteiktā datumā, varat sekot šiem soļiem:

1. Aprēķiniet vecumu gados, atņemot dzimšanas datumu no norādītā datuma.
2. Definējiet binu robežas (piemēram, 0-10, 11-20, 21-30 utt.).
3. Izmantojiet funkciju when vai bucketizer, lai sadalītu vecumu binās.

PySpark piemērs:

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"])

# References datums vecuma aprēķināšanai
reference_date = F.lit("2024-06-01")

# Konvertēt virknes uz datumiem
df = df.withColumn("birth_date", F.to_date("birth_date"))

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

# Definēt vecuma binas
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()

Rezultātā kolonnā age_bin tiks parādīts binu indekss, kurā ietilpst vecums. Šos indeksus var arī sasaistīt ar lasāmiem marķieriem.