Cum se obține vârsta în binuri pe Spark pe baza datei de naștere la o dată specifică?

În Apache Spark, pentru a obține vârsta în binuri pe baza datei de naștere la o anumită dată, puteți urma pașii următori:

1. Calculați vârsta în ani scăzând data nașterii din data dată.
2. Stabiliți limitele binurilor (de exemplu, 0-10, 11-20, 21-30 etc.).
3. Utilizați funcția when sau bucketizer pentru a distribui vârsta în binuri.

Exemplu în 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 de referință pentru calculul vârstei
reference_date = F.lit("2024-06-01")

# Convertirea șirurilor în date
df = df.withColumn("birth_date", F.to_date("birth_date"))

# Calcularea vârstei în ani
df = df.withColumn(
    "age",
    F.floor(F.months_between(reference_date, F.col("birth_date")) / 12)
)

# Definirea binurilor de vârstă
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()

Rezultatul va fi că în coloana age_bin va fi afișat indexul binului în care se încadrează vârsta. Acești indici pot fi, de asemenea, asociați cu etichete lizibile.