Agregando e unindo dados com eficiência

Transformação de Dados com Spark SQL no Databricks

Disha Mukherjee

Lead Data Engineer

Três perguntas, um conjunto de dados limpo

recraft: half: Um analista de dados revisando gráficos coloridos e relatórios de negócios em várias telas, isolado em fundo transparente

Quais categorias geram mais receita?
Quem são os melhores clientes?
Como enriquecer os resultados com o contexto de departamentos?

Como funcionam groupBy() e agg()

groupBy() - particiona linhas pela coluna-chave
agg() - aplica funções a cada grupo em paralelo
Ambas são preguiçosas - uma ação dispara o cálculo
Uma chamada agg() = um varrimento de dados

recraft: half: Linhas coloridas de dados divididas em três grupos separados com rótulos, com um valor total calculado abaixo de cada grupo, isolado em fundo transparente

Receita por categoria - código

category_revenue = (
    df_valid
    .groupBy("Category")

    .agg(
        F.round(F.sum("Transaction_Amount"), 2).alias("total_revenue"),
        F.count("Transaction_Amount").alias("transaction_count"),
        F.round(F.avg("Transaction_Amount"), 2).alias("avg_transaction"),
    )

    .orderBy(F.col("total_revenue").desc())

)

Receita por categoria - saída

category_revenue.show(truncate=False)

+-----------+-----------------+-----------------+---------------+
|Category   |total_revenue    |transaction_count|avg_transaction|
+-----------+-----------------+-----------------+---------------+
|Clothing   |338266605.24     |6742             |50173.04       |
|Dining     |337631718.64     |6719             |50250.29       |
|Electronics|331102843.72     |6614             |50060.91       |
|Savings    |329346609.07     |6596             |49931.26       |
|Groceries  |329003451.57     |6537             |50329.43       |
|Unknown    |880591.27        |15               |58706.08       |
+-----------+-----------------+-----------------+---------------+

Enriquecendo com uma tabela de dimensão

recraft: half: Duas tabelas de banco de dados conectadas por um elo ou ponte brilhante, isoladas em fundo transparente

+-----------+----------+
|Category   |Department|
+-----------+----------+
|Clothing   |Retail    |
|Dining     |Food      |
|Electronics|Tech      |
|Groceries  |Food      |
|Savings    |Finance   |
+-----------+----------+

Left join padrão

df_joined = df_valid.join(df_dim, on="Category", how="left")


df_joined.select(
    "Customer_ID", "Category", "Department", "Transaction_Amount"
).show(5, truncate=False)

+-----------+-----------+----------+------------------+
|Customer_ID|Category   |Department|Transaction_Amount|
+-----------+-----------+----------+------------------+
|CUST003    |Electronics|Tech      |5752.36           |
|CUST009    |Clothing   |Retail    |28959.12          |
|CUST010    |Savings    |Finance   |72098.18          |
|CUST011    |Savings    |Finance   |49771.05          |
|CUST020    |Groceries  |Food      |69825.14          |
+-----------+-----------+----------+------------------+

O custo oculto - shuffle

recraft: half: Pacotes de dados fluindo por uma rede de servidores e nós conectados com setas indicando o movimento, isolado em fundo transparente

Chaves correspondentes devem ficar na mesma máquina
O Spark envia linhas pela rede para alinhar
Shuffle = gargalo em escala

Spark UI

recraft: full: Um painel escuro de monitoramento analítico com gráficos de barras horizontais coloridos mostrando estágios de jobs, barras de progresso e métricas de throughput de dados, isolado em fundo transparente

Jobs e Stages - acompanham o que rodou e por quanto tempo
Shuffle Read/Write - veja quanto dado se moveu
Útil para diagnosticar gargalos de pipeline

Lendo o plano de consulta com .explain()

df_joined.explain(mode="formatted")

...
+- PhotonBroadcastHashJoin LeftOuter (18)
   :- ...
   +- PhotonShuffleExchangeSource (17)
      +- PhotonShuffleMapStage (16)
         +- PhotonShuffleExchangeSink (15)
            +- LocalTableScan (13)
...

.explain() - inspecione o plano de execução
Nós 15 e 16 - sem routing Arguments registrados

Broadcast join - a correção

# Wrap the small table in F.broadcast()
df_broadcast = df_valid.join(
    F.broadcast(df_dim),
    on="Category",
    how="left"
)


print(f"Broadcast joined rows: {df_broadcast.count():,}")

Broadcast joined rows: 33,223

Antes e depois - verificando o plano

df_broadcast.explain(mode="formatted")

+- PhotonBroadcastHashJoin LeftOuter (18)
   :- ...
   +- PhotonShuffleExchangeSource (17)
      +- PhotonShuffleMapStage (16)
         +- PhotonShuffleExchangeSink (15)
            +- LocalTableScan (13)
...            
(15) PhotonShuffleExchangeSink
Arguments: SinglePartition
(16) PhotonShuffleMapStage
Arguments: EXECUTOR_BROADCAST, [id=#11839]

Tabela de dimensão tem instruções de roteamento
A tabela grande df_valid não se move
Uma mudança = minutos viram segundos em escala

Vamos praticar!

Transformação de Dados com Spark SQL no Databricks