Transformar

Introdução à Engenharia de Dados

Vincent Vankrunkelsven

Data Engineer @ DataCamp

Tipos de transformações

customer_id	email	state	created_at
1	[email protected]	New York	2019-01-01 07:00:00

Seleção de atributo (ex.: 'email')
Tradução de valores de código (ex.: 'New York' -> 'NY')
Validação de dados (ex.: entrada de data em 'created_at')
Dividir colunas em várias colunas
Fazer join de várias fontes

Exemplo: split (Pandas)

customer_id	email	username	domain
1	[email protected]	jane.doe	theweb.com

customer_df # Pandas DataFrame com dados de clientes

# Dividir a coluna email em 2 colunas no símbolo '@'
split_email = customer_df.email.str.split("@", expand=True)

# Agora, split_email terá 2 colunas: a primeira
# com tudo antes de @, e a segunda com
# tudo depois de @

# Criar 2 novas colunas usando o DataFrame resultante.
customer_df = customer_df.assign(
  username=split_email[0],
  domain=split_email[1],
)

Transformando no PySpark

Extrair dados no PySpark

import pyspark.sql

spark = pyspark.sql.SparkSession.builder.getOrCreate()


spark.read.jdbc("jdbc:postgresql://localhost:5432/pagila",

                "customer",

                properties={"user":"repl","password":"password"})

Exemplo: join

Nova tabela de avaliações

customer_id	film_id	rating
1	2	1
2	1	5
2	2	3
...	...	...

Tabela de clientes

customer_id	first_name	last_name	...
1	Jane	Doe	...
2	Joe	Doe	...
...	...	...	...

customer_id aparece em ambas as tabelas

Exemplo: join (PySpark)

customer_df # PySpark DataFrame com dados de clientes
ratings_df # PySpark DataFrame com dados de avaliações


# Agrupar avaliações
ratings_per_customer = ratings_df.groupBy("customer_id").mean("rating")


# Fazer join por customer ID
customer_df.join(
  ratings_per_customer,
  customer_df.customer_id==ratings_per_customer.customer_id
)

Vamos praticar!

Introdução à Engenharia de Dados