scala – spark-csv包中的inferSchema

发布时间：2020-12-16 09:50:59 所属栏目：安全来源：网络整理

导读：当CSV作为spark中的数据帧读取时,所有列都将作为字符串读取.有没有办法获得实际的列类型？我有以下csv文件 Name,Department,years_of_experience,DOBSam,Software,5,1990-10-10Alex,Data Analytics,3,1992-10-10 我已使用以下代码阅读了CSV val df = sqlCon

当CSV作为spark中的数据帧读取时,所有列都将作为字符串读取.有没有办法获得实际的列类型？

我有以下csv文件

Name,Department,years_of_experience,DOB
Sam,Software,5,1990-10-10
Alex,Data Analytics,3,1992-10-10

我已使用以下代码阅读了CSV

val df = sqlContext.
                  read.
                  format("com.databricks.spark.csv").
                  option("header","true").
                  option("inferSchema","true").
                  load(sampleAdDataS3Location)
df.schema

所有列都读为字符串.我希望将years_of_experience列读作int和DOB作为日期读取

请注意,我已将选项inferSchema设置为true.

我使用的是spark-csv软件包的最新版本(1.0.3)

我在这里错过了什么吗？

解决方法

二零一五年七月三十零日

最新版本实际上是1.1.0,但它看起来像inferSchema is not included in the latest release并不重要.

2015年8月17日

该软件包的最新版本现在为1.2.0(发布于2015-08-06),模式推断按预期工作：

scala> df.printSchema
root
 |-- Name: string (nullable = true)
 |-- Department: string (nullable = true)
 |-- years_of_experience: integer (nullable = true)
 |-- DOB: string (nullable = true)

关于自动日期解析,我怀疑它是否会发生,或者至少在没有提供额外元数据的情况下.

即使所有字段都遵循某种类似日期的格式,也不可能说某个字段是否应该被解释为日期.所以它要么缺乏自动日期推断,要么就像乱七八糟的电子表格.更不用说时区问题了.

最后,您可以轻松地手动解析日期字符串：

sqlContext
  .sql("SELECT *,DATE(dob) as dob_d  FROM df")
  .drop("DOB")
  .printSchema

root
 |-- Name: string (nullable = true)
 |-- Department: string (nullable = true)
 |-- years_of_experience: integer (nullable = true)
 |-- dob_d: date (nullable = true)

所以这真的不是一个严重的问题.

二〇一七年十二月二十○日：

内置的csv解析器可用,因为Spark 2.0支持日期和时间戳的模式推断 – 它使用两个选项：

> timestampFormat,默认为yyyy-MM-dd’T’HH：mm：ss.SSSXXX
> dateFormat,默认为yyyy-MM-dd

另见How to force inferSchema for CSV to consider integers as dates (with “dateFormat” option)?

（编辑：李大同）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!