Agregar y unir datos de forma eficiente

Transformación de datos con Spark SQL en Databricks

Disha Mukherjee

Lead Data Engineer

Tres preguntas, un conjunto de datos limpio

recraft: half: Un/a analista de datos revisando gráficos coloridos e informes de negocio en varias pantallas, aislado sobre fondo transparente

¿Qué categorías generan más ingresos?
¿Quiénes son l@s mejores clientes?
¿Cómo enriquecer resultados con el contexto de departamento?

Cómo funcionan groupBy() y agg()

groupBy() - particiona filas por la columna clave
agg() - aplica funciones a cada grupo en paralelo
Ambas son perezosas: una acción dispara el cómputo
Una llamada a agg() = un escaneo de datos

recraft: half: Filas de datos coloridas divididas en tres grupos etiquetados con un valor total calculado bajo cada grupo, aislado sobre fondo transparente

Ingresos por categoría: 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())

)

Ingresos por categoría: salida

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

Enriquecer con una tabla de dimensión

recraft: half: Dos tablas de base de datos conectadas por un enlace o puente luminoso, aisladas sobre fondo transparente

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

Left join estándar

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

El coste oculto: shuffle

recraft: half: Paquetes de datos fluyendo por una red de servidores y nodos conectados con flechas que muestran el movimiento, aislado sobre fondo transparente

Las claves coincidentes deben ir a la misma máquina
Spark envía filas por la red para alinearlas
Shuffle = cuello de botella a gran escala

Spark UI

recraft: full: Un panel de monitorización analítica oscuro con barras horizontales coloridas que muestran etapas de jobs, barras de progreso y métricas de rendimiento de datos, aislado sobre fondo transparente

Jobs y Stages: qué se ejecutó y cuánto duró
Shuffle Read/Write: cuántos datos se movieron
Útil para diagnosticar cuellos de botella en la canalización

Leer el plan de consulta con .explain()

df_joined.explain(mode="formatted")

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

.explain() - inspecciona el plan de ejecución
Nodos 15 y 16: sin routing Arguments registrados

Broadcast join: la solución

# Envuelve la tabla pequeña con 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 y después: verificar el plan

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]

La tabla de dimensión tiene instrucciones de enrutado
La tabla grande df_valid no se mueve
Un cambio = de minutos a segundos a escala

¡Vamos a practicar!

Transformación de datos con Spark SQL en Databricks