Daten effizient aggregieren und verknüpfen

Datentransformation mit Spark SQL in Databricks

Disha Mukherjee

Lead Data Engineer

Drei Fragen, ein sauberes Dataset

recraft: half: Eine Data Analystin oder ein Data Analyst prüft farbige Diagramme und Business-Reports auf mehreren Bildschirmen, freigestellt

Welche Kategorien bringen den meisten Umsatz?
Wer sind die Top-Kund:innen?
Wie anreichern wir Ergebnisse mit Bereichskontext?

So funktionieren groupBy() und agg()

groupBy() – partitioniert Zeilen nach Schlüssels palte
agg() – wendet Funktionen parallel auf jede Gruppe an
Beide sind lazy – Aktion startet die Berechnung
Ein agg()-Aufruf = ein Datenscan

recraft: half: Bunte Datenzeilen, aufgeteilt in drei beschriftete Gruppen, mit einem unten berechneten Gesamtwert je Gruppe, freigestellt

Kategorieumsatz – Code

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())

)

Kategorieumsatz – Ausgabe

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       |
+-----------+-----------------+-----------------+---------------+

Anreicherung mit einer Dimensionstabelle

recraft: half: Zwei Datenbanktabellen werden durch eine leuchtende Verbindung gekoppelt, freigestellt

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

Standard-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          |
+-----------+-----------+----------+------------------+

Die versteckten Kosten – Shuffle

recraft: half: Datenpakete fließen über ein Netzwerk verbundener Server und Knoten, Pfeile zeigen die Bewegung, freigestellt

Übereinstimmende Schlüssel müssen auf derselben Maschine landen
Spark verschickt Zeilen übers Netzwerk, um sie auszurichten
Shuffle = Flaschenhals im großen Maßstab

Spark UI

recraft: full: Ein dunkles Monitoring-Dashboard für Analytics mit farbigen horizontalen Balkendiagrammen zu Job-Phasen, Fortschrittsbalken und Durchsatzmetriken, freigestellt

Jobs und Stages – was lief und wie lange
Shuffle Read/Write – wie viel Daten bewegt wurden
Nützlich, um Pipeline-Flaschenhälse zu finden

Den Query-Plan mit .explain() lesen

df_joined.explain(mode="formatted")

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

.explain() – den Ausführungsplan prüfen
Knoten 15 & 16 – keine Routing-Argumente protokolliert

Broadcast-Join – die Lösung

# Die kleine Tabelle in F.broadcast() packen
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

Vorher/Nachher – Plan prüfen

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]

Dim-Tabelle hat Routing-Anweisungen
Große Tabelle df_valid bewegt sich nie
Eine Änderung = Minuten zu Sekunden im großen Maßstab

Lass uns üben!

Datentransformation mit Spark SQL in Databricks