将带有日期的数据框转换为Spark数据框时出错

Question

编辑：问题似乎在于Windows中标准日期时间库将日期时间转换为纪元前日期时间的时间戳

请参见以下示例：

import datetime

#this works
datetime.datetime(1973,1,23,0).timestamp()

#this produces OSError: [Errno 22] Invalid argument
datetime.datetime(1953,1,23,0).timestamp()

发行

当我将datetime64[ns]日期早于历元的Pandas数据帧转换为ApacheSpark数据帧时，会收到一系列关于Exception ignored in: 'pandas._libs.tslibs.tzconversion._tz_convert_tzlocal_utc'（下面是完整堆栈跟踪）的警告，并且历元前的日期会更改为历元。为什么会发生这种情况？我该如何预防

软件版本

视窗10 Python:3.7.6 pyspark 2.4.5 熊猫1.0.1

要复制的代码

#imports
import pandas as pd
from datetime import datetime
from pyspark.sql import SparkSession

#set up spark
spark = SparkSession.builder.getOrCreate()

#create dataframe
df = pd.DataFrame({'Dates': [datetime(2019,3,29), datetime(1953,2,20)]})

#data types
df.dtypes

"""
Result:
Dates    datetime64[ns]
dtype: object
"""

#try to convert to spark
sparkdf = spark.createDataFrame(df)

堆栈跟踪

Exception ignored in: 'pandas._libs.tslibs.tzconversion._tz_convert_tzlocal_utc'
Traceback (most recent call last):
  File "C:\Users\jbishop\AppData\Roaming\Python\Python37\site-packages\dateutil\tz\_common.py", line 144, in fromutc
    return f(self, dt)
  File "C:\Users\jbishop\AppData\Roaming\Python\Python37\site-packages\dateutil\tz\_common.py", line 258, in fromutc
    dt_wall = self._fromutc(dt)
  File "C:\Users\jbishop\AppData\Roaming\Python\Python37\site-packages\dateutil\tz\_common.py", line 222, in _fromutc
    dtoff = dt.utcoffset()
  File "C:\Users\jbishop\AppData\Roaming\Python\Python37\site-packages\dateutil\tz\tz.py", line 222, in utcoffset
    if self._isdst(dt):
  File "C:\Users\jbishop\AppData\Roaming\Python\Python37\site-packages\dateutil\tz\tz.py", line 291, in _isdst
    dstval = self._naive_is_dst(dt)
  File "C:\Users\jbishop\AppData\Roaming\Python\Python37\site-packages\dateutil\tz\tz.py", line 260, in _naive_is_dst
    return time.localtime(timestamp + time.timezone).tm_isdst
OSError: [Errno 22] Invalid argument

结果数据帧

sparkdf.show()
+-------------------+
|              Dates|
+-------------------+
|2019-03-29 00:00:00|
|1970-01-01 00:00:00|
+-------------------+

数据类型

sparkdf.printSchema()
root
 |-- Dates: timestamp (nullable = true)

Answer 1

这不是一个答案，但可能有助于了解情况。即使是接近1970 01 00:00的日期，也给我22号错误。 （我希望解决一些非常早期的历元时间，因为在NTP时间可用之前记录数据。） 最早的工作日期是在1970年01月17日左右

>>> import datetime
>>> a3 = datetime.datetime(1970,1,1,17,59)
>>> a1 = datetime.datetime(1970,1,1,17,0)
>>> a0 = datetime.datetime(1970,1,1,16,59)
>>> a3.timestamp()
89940.0
>>> a1.timestamp()
86400.0
>>> a0.timestamp()
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
OSError: [Errno 22] Invalid argument
>>>

我的电脑在时区MDT或GMT-6（MST和夏令时）

Python新手和第一次回答作者！ 视窗10。Python 3.7（64位）。附近有一条Python，但这里没有使用