Ottenere più dati

Feature Engineering con PySpark

John Hogue

Lead Data Scientist, General Mills

Considerazioni sui dataset esterni

PRO

Aggiungi predittori importanti
Integra/sostituisci valori
Economici o facili da ottenere

Unire i dati

CONTRO

Può rallentare l'analisi
Facile causare data leakage
Diventare esperti del dataset

Informazioni sui join

Orientare i nostri dati

Sinistra: dataset di partenza
Destra: nuovo dataset da integrare

Join SQL

Join con DataFrame PySpark

DataFrame.join(

    other,      # Altro DataFrame da unire

    on=None,    # Chiavi di join

    how=None)   # Tipo di join (predefinito: 'inner')

Esempio di join in 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 in SparkSQL

Applica SQL al tuo 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
                   """)

Uniamo un po' di dati!

Feature Engineering con PySpark