Aggregare e unire i dati in modo efficiente

Trasformazione dei dati con Spark SQL in Databricks

Disha Mukherjee

Lead Data Engineer

Tre domande, un dataset pulito

recraft: half: Un* data analyst che esamina grafici colorati e report aziendali su più schermi, isolato su sfondo trasparente

Quali categorie generano più ricavi?
Chi sono i clienti top?
Come arricchire i risultati con il contesto dei reparti?

Come funzionano groupBy() e agg()

groupBy() - partiziona le righe per colonna chiave
agg() - applica funzioni a ogni gruppo in parallelo
Entrambe sono lazy - un'azione avvia il calcolo
Una agg() = una scansione dei dati

recraft: half: Righe di dati colorate divise in tre gruppi etichettati con un valore totale calcolato sotto ciascun gruppo, isolato su sfondo trasparente

Ricavi per categoria - codice

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())

)

Ricavi per categoria - output

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

Arricchire con una tabella dimensione

recraft: half: Due tabelle di database collegate da un collegamento o ponte luminoso, isolate su sfondo trasparente

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

Left join standard

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

Il costo nascosto: shuffle

recraft: half: Pacchetti di dati che fluiscono in una rete di server e nodi con frecce che indicano il movimento, isolati su sfondo trasparente

Le chiavi corrispondenti devono finire sulla stessa macchina
Spark sposta righe in rete per allinearle
Shuffle = collo di bottiglia in scala

Spark UI

recraft: full: Un cruscotto di monitoraggio analytics scuro con barre orizzontali colorate che mostrano fasi dei job, barre di avanzamento e metriche di throughput, isolato su sfondo trasparente

Jobs e Stages - cosa è stato eseguito e per quanto
Shuffle Read/Write - quanta data si è mossa
Utile per diagnosticare colli di bottiglia nelle pipeline

Leggere il piano di query con .explain()

df_joined.explain(mode="formatted")

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

.explain() - ispeziona il piano di esecuzione
Nodi 15 e 16 - nessun routing Arguments registrato

Broadcast join - la soluzione

# Incapsula la tabella piccola 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

Prima e dopo - verifica del piano

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 tabella dim ha istruzioni di instradamento
La tabella grande df_valid non si muove mai
Una modifica = da minuti a secondi su larga scala

Esercitiamoci!

Trasformazione dei dati con Spark SQL in Databricks