如何在 Pyspark 函数中引用包含 f 字符串的列？

Question

我正在为 Spark DF 编写一个函数，该函数对列执行操作并给它们一个后缀，这样我就可以在两个不同的后缀上运行该函数两次，然后再加入它们。

我正在时间找出在这段特定的代码中引用它们的最佳方式，并且想知道我错过了什么？

def calc_date(sdf, suffix):
    final_sdf = (
        sdf.withColumn(
            f"lowest_days{suffix}",
            f"sdf.list_of_days_{suffix}"[0],
        )
        .withColumn(
            f"earliest_date_{suffix}",
            f"sdf.list_of_dates_{suffix}"[0],
        )
        .withColumn(
            f"actual_date_{suffix}",
            spark_fns.expr(
                f"date_sub(earliest_date_{suffix}, lowest_days{suffix})"
            ),
        )
    )

这里我试图从两个列表（list_of_days 和 list_of_dates）中提取第一个值并执行日期计算以创建一个新变量（actual_date）。

我想在一个函数中执行此操作，这样我就不必根据我拥有的后缀数量执行两次（或更多）相同的一组操作？

但是 f 字符串给出了错误col should be Column。

对此的任何帮助将不胜感激！

Answer 1

您需要用 col() 包装第二个参数。

from pyspark.sql.functions import *

def calc_date(sdf, suffix):
    final_sdf = (
        sdf.withColumn(
            f"lowest_days{suffix}",
            col(f"list_of_days_{suffix}")[0],
        )
        .withColumn(
            f"earliest_date_{suffix}",
            col(f"list_of_dates_{suffix}")[0],
        )
    )