Transformeren

Introductie tot Data Engineering

Vincent Vankrunkelsven

Data Engineer @ DataCamp

Soorten transformaties

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

Attribuutselectie (bijv. 'email')
Vertaling van codewaarden (bijv. 'New York' -> 'NY')
Datavalidatie (bijv. datuminput in 'created_at')
Kolommen splitsen in meerdere kolommen
Joinen uit meerdere bronnen

Voorbeeld: split (Pandas)

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

customer_df # Pandas DataFrame met klantgegevens

# Splits de e-mailkolom in 2 kolommen op het '@'-teken
split_email = customer_df.email.str.split("@", expand=True)

# Op dit punt heeft split_email 2 kolommen: de eerste
# met alles vóór @, de tweede met alles na @
# Maak 2 nieuwe kolommen met de resulterende DataFrame.

customer_df = customer_df.assign(
  username=split_email[0],
  domain=split_email[1],
)

Transformeren in PySpark

Data extraheren naar PySpark

import pyspark.sql

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


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

                "customer",

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

Voorbeeld: join

Een nieuwe ratings-tabel

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

De klanttabel

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

customer_id overlapt met ratings-tabel

Voorbeeld: join (PySpark)

customer_df # PySpark DataFrame met klantgegevens
ratings_df # PySpark DataFrame met waarderingsgegevens


# Groepeer waarderingen
ratings_per_customer = ratings_df.groupBy("customer_id").mean("rating")


# Join op customer ID
customer_df.join(
  ratings_per_customer,
  customer_df.customer_id==ratings_per_customer.customer_id
)

Laten we oefenen!

Introductie tot Data Engineering