Efektivní agregace a spojování dat

Transformace dat pomocí Spark SQL v Databricks

Disha Mukherjee

Lead Data Engineer

Tři otázky, jeden čistý dataset

recraft: half: Datový analytik prohlíží barevné grafy a obchodní reporty na více obrazovkách, na průhledném pozadí

 

$$

  • Které kategorie přinášejí nejvíc příjmů?
  • Kdo jsou nejlepší zákazníci?
  • Jak obohatit výsledky o kontext oddělení?
Transformace dat pomocí Spark SQL v Databricks

Jak fungují groupBy() a agg()

 

$$

  • groupBy() - rozdělí řádky podle klíčového sloupce
  • agg() - aplikuje funkce na každou skupinu paralelně
  • Obě jsou lazy – výpočet spustí až akce
  • Jedno volání agg() = jeden průchod daty

recraft: half: Barevné řádky dat rozdělené do tří označených skupin s celkovou hodnotou vypočtenou pod každou skupinou, na průhledném pozadí

Transformace dat pomocí Spark SQL v Databricks

Příjmy podle kategorií – kód

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())

)
Transformace dat pomocí Spark SQL v Databricks

Příjmy podle kategorií – výstup

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       |
+-----------+-----------------+-----------------+---------------+
Transformace dat pomocí Spark SQL v Databricks

Obohacení o dimenziální tabulku

recraft: half: Dvě databázové tabulky propojené zářivým mostem, na průhledném pozadí

$$

+-----------+----------+
|Category   |Department|
+-----------+----------+
|Clothing   |Retail    |
|Dining     |Food      |
|Electronics|Tech      |
|Groceries  |Food      |
|Savings    |Finance   |
+-----------+----------+
Transformace dat pomocí Spark SQL v Databricks

Standardní left join

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          |
+-----------+-----------+----------+------------------+
Transformace dat pomocí Spark SQL v Databricks

Skrytá cena – shuffle

recraft: half: Datové pakety proudící sítí propojených serverů a uzlů se šipkami znázorňujícími pohyb, na průhledném pozadí

 

  • Shodné klíče musí skončit na stejném stroji
  • Spark přesouvá řádky po síti, aby je zarovnal
  • Shuffle = úzké hrdlo při velkém objemu dat
Transformace dat pomocí Spark SQL v Databricks

Spark UI

recraft: full: Tmavý analytický monitoring dashboard s barevnými vodorovnými sloupcovými grafy zobrazující fáze úloh, progress bary a metriky propustnosti dat, na průhledném pozadí

 

  • Jobs a Stages – sleduj, co proběhlo a jak dlouho
  • Shuffle Read/Write – zjisti, kolik dat se přesunulo
  • Pomáhá diagnostikovat úzká hrdla v pipeline
Transformace dat pomocí Spark SQL v Databricks

Čtení query plánu pomocí .explain()

df_joined.explain(mode="formatted")

...
+- PhotonBroadcastHashJoin LeftOuter (18)
   :- ...
   +- PhotonShuffleExchangeSource (17)
      +- PhotonShuffleMapStage (16)
         +- PhotonShuffleExchangeSink (15)
            +- LocalTableScan (13)
...
  • .explain() – prohledej plán vykonávání
  • Uzly 15 a 16 – žádné Arguments pro routing nezaznamenány
Transformace dat pomocí Spark SQL v Databricks

Broadcast join – řešení

# 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
Transformace dat pomocí Spark SQL v Databricks

Před a po – ověření plánu

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]
  • Dimenziální tabulka má instrukce pro routing
  • Velká tabulka df_valid se nikdy nepřesouvá
  • Jedna změna = z minut na sekundy ve velkém měřítku
Transformace dat pomocí Spark SQL v Databricks

Pojďme cvičit!

Transformace dat pomocí Spark SQL v Databricks

Preparing Video For Download...