Kako u Spark-u dobiti starost u binovima po datumu rođenja na određeni datum?

U Apache Spark-u, za dobijanje starosti u binovima na osnovu datuma rođenja za određeni datum, možete slediti sledeće korake:

1. Izračunajte starost u godinama oduzimanjem datuma rođenja od datuma.
2. Odredite granice binova (npr. 0-10, 11-20, 21-30 itd.).
3. Koristite funkciju when ili bucketizer za raspoređivanje starosti u binove.

Primer u PySpark-u:

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"])

# Referentni datum za računanje starosti
reference_date = F.lit("2024-06-01")

# Pretvaranje stringova u datume
df = df.withColumn("birth_date", F.to_date("birth_date"))

# Računanje starosti u godinama
df = df.withColumn(
    "age",
    F.floor(F.months_between(reference_date, F.col("birth_date")) / 12)
)

# Definisanje binova starosti
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()

Rezultat će biti da će u koloni age_bin biti prikazan indeks bin-a u koji spada starost. Ove indekse je takođe moguće povezati sa čitljivim oznakama.