Mendapatkan Lebih Banyak Data

Rekayasa Fitur dengan PySpark

John Hogue

Lead Data Scientist, General Mills

Pemikiran tentang Data Set Eksternal

PRO

Tambah prediktor penting
Lengkapi/ganti nilai
Murah atau mudah didapat

Menggabungkan Data

KONTRA

Bisa memperlambat analisis
Mudah menyebabkan kebocoran data
Harus kuasai konten data set

Tentang Join

Mengorientasikan arah data kita

Kiri: data set awal kita
Kanan: data set baru untuk digabungkan

Join SQL

Join DataFrame di PySpark

DataFrame.join(

    other,      # DataFrame lain untuk digabung

    on=None,    # Kunci join

    how=None)   # Jenis join (default 'inner')

Contoh Join 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()

Join di SparkSQL

Terapkan SQL pada dataframe Anda

# 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
                   """)

Mari Menggabungkan Data!

Rekayasa Fitur dengan PySpark