데이터 준비

PySpark로 하는 Machine Learning

Andrew Collier

Data Scientist, Fathom Data

이 모든 열이 필요할까요?

+-----+-------+-------+------+----+----+------+------+----+-----------+
|maker|  model| origin|  type| cyl|size|weight|length| rpm|consumption|
+-----+-------+-------+------+----+----+------+------+----+-----------+
|Mazda|   RX-7|non-USA|Sporty|null| 1.3|  2895| 169.0|6500|       9.41|
|  Geo|  Metro|non-USA| Small|   3| 1.0|  1695| 151.0|5700|        4.7|
| Ford|Festiva|    USA| Small|   4| 1.3|  1845| 141.0|5000|       7.13|
+-----+-------+-------+------+----+----+------+------+----+-----------+

maker와 model 필드를 제거하십시오.

열 삭제하기

# 원하지 않는 열을 삭제하거나...
cars = cars.drop('maker', 'model')

# 유지할 열만 선택합니다.
cars = cars.select('origin', 'type', 'cyl', 'size', 'weight', 'length', 'rpm', 'consumption')

+-------+------+----+----+------+------+----+-----------+
| origin|  type| cyl|size|weight|length| rpm|consumption|
+-------+------+----+----+------+------+----+-----------+
|non-USA|Sporty|null| 1.3|  2895| 169.0|6500|       9.41|
|non-USA| Small|   3| 1.0|  1695| 151.0|5700|        4.7|
|    USA| Small|   4| 1.3|  1845| 141.0|5000|       7.13|
+-------+------+----+----+------+------+----+-----------+

결측 데이터 필터링

# 결측값이 몇 개인가요?
cars.filter('cyl IS NULL').count()

cylinders 열의 결측값이 있는 레코드를 삭제하십시오.

cars = cars.filter('cyl IS NOT NULL')

모든 열 중 하나라도 결측이면 레코드를 삭제하십시오.

cars = cars.dropna()

열 변환하기

from pyspark.sql.functions import round

# 새 'mass' 열 생성
cars = cars.withColumn('mass', round(cars.weight / 2.205, 0))

# 길이를 미터로 변환
cars = cars.withColumn('length', round(cars.length * 0.0254, 3))

+-------+-----+---+----+------+------+----+-----------+-----+
| origin| type|cyl|size|weight|length| rpm|consumption| mass|
+-------+-----+---+----+------+------+----+-----------+-----+
|non-USA|Small|  3| 1.0|  1695| 3.835|5700|        4.7|769.0|
|    USA|Small|  4| 1.3|  1845| 3.581|5000|       7.13|837.0|
|non-USA|Small|  3| 1.3|  1965| 4.089|6000|       5.47|891.0|
+-------+-----+---+----+------+------+----+-----------+-----+

범주형 데이터 인덱싱

from pyspark.ml.feature import StringIndexer

indexer = StringIndexer(inputCol='type',
                        outputCol='type_idx')


# 문자열에 인덱스 값 부여
indexer = indexer.fit(cars)


# 인덱스 값 열 생성
cars = indexer.transform(cars)

stringOrderType으로 순서를 변경합니다.

+-------+--------+
|   type|type_idx|
+-------+--------+
|Midsize|     0.0| <- 최빈값
|  Small|     1.0|
|Compact|     2.0|
| Sporty|     3.0|
|  Large|     4.0|
|    Van|     5.0| <- 최빈값 아님
+-------+--------+

출신 국가 인덱싱

# 출신 국가 인덱싱:
#
# USA     -> 0
# non-USA -> 1
#
cars = StringIndexer(
  inputCol="origin",
  outputCol="label"
).fit(cars).transform(cars)

+-------+-----+
| origin|label|
+-------+-----+
|    USA|  0.0|
|non-USA|  1.0|
+-------+-----+

열 결합하기

VectorAssembler로 데이터를 변환합니다.

from pyspark.ml.feature import VectorAssembler

assembler = VectorAssembler(inputCols=['cyl', 'size'], outputCol='features')

assembler.transform(cars)

+---+----+---------+
|cyl|size| features|
+---+----+---------+
|  3| 1.0|[3.0,1.0]|
|  4| 1.3|[4.0,1.3]|
|  3| 1.3|[3.0,1.3]|
+---+----+---------+

Lass uns üben!

PySpark로 하는 Machine Learning