Ako získať vek v binách v Spark na základe dátumu narodenia ku konkrétnemu dátumu?

V Apache Spark môžete získať vek v binárnych intervaloch na základe dátumu narodenia k určitému dátumu nasledovne:

1. Vypočítajte vek v rokoch odpočítaním dátumu narodenia od daného dátumu.
2. Určte hranice binov (napríklad 0-10, 11-20, 21-30 atď.).
3. Použite funkciu when alebo bucketizer na rozdelenie veku do binov.

Príklad v 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"])

# Referenčný dátum na výpočet veku
reference_date = F.lit("2024-06-01")

# Konverzia reťazcov na dátumy
df = df.withColumn("birth_date", F.to_date("birth_date"))

# Výpočet veku v rokoch
df = df.withColumn(
    "age",
    F.floor(F.months_between(reference_date, F.col("birth_date")) / 12)
)

# Definovanie binov veku
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()

Výsledkom bude, že v stĺpci age_bin bude zobrazený index binu, do ktorého vek patrí. Tieto indexy je možné tiež spojiť s čitateľnými štítkami.