Obținerea mai multor date

Feature Engineering cu PySpark

John Hogue

Lead Data Scientist, General Mills

Considerații privind seturile de date externe

AVANTAJE

Adaugă predictori importanți
Completează/înlocuiește valori
Ușor sau ieftin de obținut

Combinarea datelor

DEZAVANTAJE

Poate încetini analiza
Risc ridicat de scurgere a datelor
Necesită expertiză aprofundată

Despre joncțiuni

Orientarea datelor noastre

Stânga: setul de date de pornire
Dreapta: noul set de date de integrat

Joncțiuni SQL

Joncțiuni DataFrame în PySpark

DataFrame.join(

    other,      # Other DataFrame to merge

    on=None,    # The keys to join on

    how=None)   # Type of join to perform (default is 'inner')

Exemplu de joncțiune 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()

Joncțiune SparkSQL

Aplicați SQL pe dataframe-ul dvs.

# 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
                   """)

Să unim niște date!

Feature Engineering cu PySpark