Перетворення

Вступ до Data Engineering

Vincent Vankrunkelsven

Data Engineer @ DataCamp

Види перетворень

customer_id	email	state	created_at
1	[email protected]	New York	2019-01-01 07:00:00

Вибір атрибута (напр., 'email')
Перетворення кодів значень (напр., 'New York' -> 'NY')
Валідація даних (напр., дата в 'created_at')
Розбиття стовпця на кілька
Обʼєднання з кількох джерел

Приклад: split (Pandas)

customer_id	email	username	domain
1	[email protected]	jane.doe	theweb.com

customer_df # DataFrame Pandas із даними про клієнтів

# Розбийте стовпець email на 2 за символом '@'
split_email = customer_df.email.str.split("@", expand=True)

# Тепер split_email матиме 2 стовпці: перший — усе до @,
# другий — усе після @
# Створіть 2 нові стовпці з отриманого DataFrame.

customer_df = customer_df.assign(
  username=split_email[0],
  domain=split_email[1],
)

Перетворення в PySpark

Імпортуйте дані в PySpark

import pyspark.sql

spark = pyspark.sql.SparkSession.builder.getOrCreate()


spark.read.jdbc("jdbc:postgresql://localhost:5432/pagila",

                "customer",

                properties={"user":"repl","password":"password"})

Приклад: join

Нова таблиця оцінок

customer_id	film_id	rating
1	2	1
2	1	5
2	2	3
...	...	...

Таблиця клієнтів

customer_id	first_name	last_name	...
1	Jane	Doe	...
2	Joe	Doe	...
...	...	...	...

customer_id збігається з таблицею оцінок

Приклад: join (PySpark)

customer_df # DataFrame PySpark із даними про клієнтів
ratings_df # DataFrame PySpark із даними про оцінки


# Групування оцінок
ratings_per_customer = ratings_df.groupBy("customer_id").mean("rating")


# Джойн за customer ID
customer_df.join(
  ratings_per_customer,
  customer_df.customer_id==ratings_per_customer.customer_id
)

Давайте потренуємось!

Вступ до Data Engineering