Pembersihan data dan pemeriksaan kualitas

Transformasi Data dengan Spark SQL di Databricks

Disha Mukherjee

Lead Data Engineer

Tiga masalah pada data nyata

recraft: half: Tumpukan dokumen dan berkas yang berantakan dengan kesalahan dan kekosongan, di latar transparan

 

  • Nilai hilang pada kolom kunci
  • Baris duplikat akibat pemasukan berulang
  • Rekaman tidak valid secara logis
Transformasi Data dengan Spark SQL di Databricks

Mengapa mendefinisikan skema secara eksplisit?

recraft: half: Ilmuwan kebingungan dengan tanda tanya di atas baris spreadsheet, di latar transparan

 

  • Spark bisa salah membaca tipe kolom
  • Kolom numerik bisa dikenali sebagai string
  • StructType menetapkan tipe secara eksplisit, di setiap run
Transformasi Data dengan Spark SQL di Databricks

Impor

from pyspark.sql.types import (
    StructType, StructField,
    StringType, DoubleType, IntegerType, TimestampType
)

from pyspark.sql import functions as F
Transformasi Data dengan Spark SQL di Databricks

Mendefinisikan skema

schema = StructType([
    StructField("ID",                 IntegerType(),   True),
    StructField("Date",               TimestampType(), True),
    StructField("Transaction_Amount", DoubleType(),    True),
    StructField("Transaction_Status", StringType(),    True),
    # ... 6 more fields
])

df = (spark.read.format("csv") .option("header", "true") .schema(schema) .load("/Volumes/.../transactions.csv"))
df.printSchema()
 |-- ID: integer (nullable = true)
 |-- Date: timestamp (nullable = true)
 |-- Transaction_Amount: double (nullable = true)
 |-- Transaction_Status: string (nullable = true)
 ...
Transformasi Data dengan Spark SQL di Databricks

Menemukan nilai null

null_counts = df.select([
    F.sum(F.col(c).isNull().cast("int")).alias(c)
    for c in df.columns
])

null_counts.show()
+-----------+------------------+--------+--------+
|Customer_ID|Transaction_Amount|Category|Location|
+-----------+------------------+--------+--------+
|30         |50                |40      |30      |
+-----------+------------------+--------+--------+
Transformasi Data dengan Spark SQL di Databricks

Menghapus dan mengisi nilai null

df_no_nulls = df.na.drop(subset=["Customer_ID"])

df_filled = df_no_nulls.na.fill({ "Transaction_Amount": 0.0, "Category": "Unknown", "Location": "Unknown" })
print(f"Before: {df.count()}") print(f"After: {df_filled.count()}")
Before: 100,150
After:  100,120
Transformasi Data dengan Spark SQL di Databricks

Menangani duplikasi

total = df_filled.count()
distinct = df_filled.distinct().count()

print(f"Duplicates: {total - distinct}")
Duplicates: 149
Transformasi Data dengan Spark SQL di Databricks

Menangani duplikasi

df_deduped = df_filled.dropDuplicates(
    subset=["Customer_ID", "Date", "Transaction_Amount"]
)

print(f"Rows after dedup: {df_deduped.count()}")
Rows after dedup: 99,971
Transformasi Data dengan Spark SQL di Databricks

Menyaring rekaman tidak valid

df_valid = df_deduped.filter(F.col("Transaction_Amount") > 0)

df_valid = df_valid.filter( F.col("Transaction_Status") == "Completed" )
print(f"Valid transactions: {df_valid.count()}")
Valid transactions: 33,223
Transformasi Data dengan Spark SQL di Databricks

Membuat kolom turunan

df_enriched = df_valid.withColumn("Revenue_Band",
    F.when(F.col("Transaction_Amount") >= 50000, "High")
     .when(F.col("Transaction_Amount") >= 10000, "Medium")

.otherwise("Low"))
df_enriched.select("Customer_ID", "Transaction_Amount", "Revenue_Band").show(3)
+-----------+------------------+------------+
|Customer_ID|Transaction_Amount|Revenue_Band|
+-----------+------------------+------------+
|CUST003    |5752.36           |Low         |
|CUST009    |28959.12          |Medium      |
|CUST010    |72098.18          |High        |
+-----------+------------------+------------+
Transformasi Data dengan Spark SQL di Databricks

Pemeriksaan kualitas data

total_rows = df_enriched.count()
distinct_rows = df_enriched.distinct().count()

null_rate = ( df_enriched.filter(F.col("Customer_ID").isNull()) .count() / total_rows * 100 )
print(f"Total rows: {total_rows}") print(f"Duplicates: {total_rows - distinct_rows}") print(f"Null rate: {null_rate:.2f}%")
Total rows:   33,223
Duplicates:   0
Null rate:    0.00%
Transformasi Data dengan Spark SQL di Databricks

Ayo berlatih!

Transformasi Data dengan Spark SQL di Databricks

Preparing Video For Download...