Obtenir plus de données

Feature Engineering avec PySpark

John Hogue

Lead Data Scientist, General Mills

Réflexions sur les jeux de données externes

AVANTAGES

Ajouter des prédicteurs clés
Compléter/remplacer des valeurs
Peu coûteux ou facile à obtenir

Combiner des données

INCONVÉNIENTS

Peut « plomber » l'analyse
Fuite de données facile à induire
Devenir expert(e) du jeu de données

À propos des jointures

Orienter nos sources de données

À gauche : jeu de départ
À droite : nouveau jeu à intégrer

Jointures SQL

Jointures de DataFrame PySpark

DataFrame.join(

    other,      # Other DataFrame to merge

    on=None,    # The keys to join on

    how=None)   # Type of join to perform (default is 'inner')

Exemple de jointure PySpark

# Inspect dataframe head
hdf.show(2)

+----------+--------------------+
|        dt|                  nm|
+----------+--------------------+
|2012-01-02|        New Year Day|
|2012-01-16|Martin Luther Kin...|
+----------+--------------------+
only showing top 2 rows

# Specify join conditon
cond = [df['OFFMARKETDATE'] == hdf['dt']]

# Join two hdf onto df
df = df.join(hdf, on=cond, 'left')

# How many sales occurred on bank holidays?
df.where(~df['nm'].isNull()).count()

Jointure SparkSQL

Appliquer du SQL à votre DataFrame

# Register the dataframe as a temp table
df.createOrReplaceTempView("df")
hdf.createOrReplaceTempView("hdf")

# Write a SQL Statement
sql_df = spark.sql("""
                      SELECT 
                        *
                      FROM df
                      LEFT JOIN hdf
                      ON df.OFFMARKETDATE = hdf.dt
                   """)

Faisons des jointures !

Feature Engineering avec PySpark