Introduction au nettoyage des données avec Apache Spark
Nettoyer des données avec PySpark
Mike Metzger
Data Engineering Consultant
Qu'est-ce que le nettoyage des données ?
Nettoyage des données : préparer des données brutes pour les pipelines de traitement.
Tâches possibles lors du nettoyage :
- Reformatter ou remplacer du texte
- Effectuer des calculs
- Supprimer les données parasites ou incomplètes
Pourquoi nettoyer les données avec Spark ?
Problèmes des systèmes de données classiques :
- Performances
- Organisation des flux de données
Atouts de Spark :
- Scalable
- Cadre puissant pour la gestion des données
Exemple de nettoyage de données
Données brutes :
| name | age (years) | city |
|---|---|---|
| Smith, John | 37 | Dallas |
| Wilson, A. | 59 | Chicago |
| null | 215 |
Données nettoyées :
| last name | first name | age (months) | state |
|---|---|---|---|
| Smith | John | 444 | TX |
| Wilson | A. | 708 | IL |
Schémas Spark
- Définir le format d'un DataFrame
- Peut contenir divers types :
- Chaînes, dates, entiers, tableaux
- Peut filtrer les données parasites à l'import
- Améliore les performances de lecture
Exemple de schéma Spark
Importer le schéma
import pyspark.sql.types
peopleSchema = StructType([
# Define the name field
StructField('name', StringType(), True),
# Add the age field
StructField('age', IntegerType(), True),
# Add the city field
StructField('city', StringType(), True)
])
Lire le fichier CSV contenant les données
people_df = spark.read.format('csv').load(name='rawdata.csv', schema=peopleSchema)
Passons à la pratique !
Nettoyer des données avec PySpark
