और डेटा जुटाना

PySpark के साथ Feature Engineering

John Hogue

Lead Data Scientist, General Mills

बाहरी डेटा सेट पर विचार

फायदे

अहम predictors जोड़ें
मान पूरक करें/बदलेँ
पाना सस्ता या आसान

डेटा मिलाना

नुकसान

विश्लेषण धीमा पड़ सकता है
डेटा leakage कराना आसान
डेटा सेट के विषय-वस्तु विशेषज्ञ बनें

Joins के बारे में

हमारे डेटा की दिशा तय करना

बाएँ: हमारा शुरुआती डेटा सेट
दाएँ: जोड़ने वाला नया डेटा सेट

SQL Joins

PySpark DataFrame Joins

DataFrame.join(

    other,      # Other DataFrame to merge

    on=None,    # The keys to join on

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

PySpark Join उदाहरण

# 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()

SparkSQL Join

अपने dataframe पर SQL लागू करें

# 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
                   """)

आइए कुछ डेटा Join करें!

PySpark के साथ Feature Engineering