Daha Fazla Veri Alma

PySpark ile Özellik Mühendisliği

John Hogue

Lead Data Scientist, General Mills

Harici Veri Kümeleri Üzerine Düşünceler

ARTILAR

Önemli değişkenler ekler
Değerleri tamamlar/değiştirir
Ucuz veya kolay elde edilir

Veri Birleştirme

EKSİLER

Analizi yavaşlatabilir
Veri sızıntısı yaratmak kolaydır
Veri kümesi konusunda uzman olmanız gerekir

Join’lar Hakkında

Veri yönlerimizi belirleme

Sol: başlangıç veri kümesi
Sağ: eklenecek yeni veri kümesi

SQL Birleştirmeleri

PySpark DataFrame Join’ları

DataFrame.join(

    other,      # Birleştirilecek diğer DataFrame

    on=None,    # Join anahtarları

    how=None)   # Join türü (varsayılan: 'inner')

PySpark Join Örneği

# 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()

SparkSQL Join

SQL’i veri çerçevenize uygulayın

# 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
                   """)

Biraz Veri Birleştirelim!

PySpark ile Özellik Mühendisliği