Spark'ta belirli bir tarihte doğum tarihine göre yaşları nasıl kutular halinde alırız?

Apache Spark'ta, doğum tarihine göre belirli bir tarihte yaşları binlere ayırmak için aşağıdaki adımlar izlenebilir:

1. Yaşı, doğum tarihinden belirli tarihe çıkararak yıl cinsinden hesaplayın.
2. Bin sınırlarını belirleyin (örneğin, 0-10, 11-20, 21-30 vb.).
3. when veya bucketizer fonksiyonunu kullanarak yaşları binlere dağıtın.

PySpark örneği:

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"])

# Referans tarihi
reference_date = F.lit("2024-06-01")

# Tarihleri dönüştür
df = df.withColumn("birth_date", F.to_date("birth_date"))

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

# Yaş binlerini belirle
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()

Sonuç olarak, age_bin sütununda yaşın hangi bin'e düştüğü gösterilir. Ayrıca, bu indeksler okunabilir etiketlerle eşleştirilebilir.