Jak w Spark uzyskać wiek w binach na podstawie daty urodzenia na określoną datę?

W Apache Spark, aby uzyskać wiek w binach na podstawie daty urodzenia w określonej dacie, można wykonać następujące kroki:

1. Obliczyć wiek w latach, odejmując datę urodzenia od daty docelowej.
2. Zdefiniować granice binów (np. 0-10, 11-20, 21-30 itd.).
3. Użyć funkcji when lub bucketizer do rozdzielenia wieku na biny.

Przykład w 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"])

# Data odniesienia do obliczania wieku
reference_date = F.lit("2024-06-01")

# Konwersja stringów na daty
df = df.withColumn("birth_date", F.to_date("birth_date"))

# Obliczanie wieku w latach
df = df.withColumn(
    "age",
    F.floor(F.months_between(reference_date, F.col("birth_date")) / 12)
)

# Definiowanie binów wieku
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()

Wynik będzie taki, że w kolumnie age_bin pojawi się indeks binu, do którego należy wiek. Można również powiązać te indeksy z czytelnymi etykietami.