시작: 데이터 개선 및 정리
이 시작 문서에서는 Azure Databricks Notebook을 사용하여 Python, Scala, R로 이전에 Unity 카탈로그의 테이블에 로드된 뉴욕 주 아기 이름 데이터를 정리하고 개선하는 방법을 안내합니다. 이 문서에서는 열 이름을 변경하고, 대문자를 변경하고, 원시 데이터 테이블에서 각 아기 이름의 성별을 철자로 입력하고, DataFrame을 실버 테이블에 저장합니다. 그런 다음 2021년 데이터를 포함하도록 데이터를 필터링하고, 상태 수준에서 데이터를 그룹화한 다음, 데이터를 개수별로 정렬합니다. 마지막으로 이 DataFrame을 골드 테이블에 저장하고 막대형 차트에서 데이터를 시각화합니다. 실버 및 골드 테이블에 대한 자세한 내용은 medallion 아키텍처를 참조하세요.
Important
이 시작 문서는 시작: 추가 데이터 수집 및 삽입을 기반으로 합니다. 이 문서를 완료하려면 해당 문서의 단계를 완료해야 합니다. 시작 문서에 대한 전체 Notebook은 추가 데이터 Notebook 수집을 참조하세요.
요구 사항
이 문서의 작업을 완료하려면 다음 요구 사항을 충족해야 합니다.
- 작업 영역에 Unity 카탈로그가 활성화되어 있어야 합니다. Unity 카탈로그를 시작하는 방법에 대한 자세한 내용은 Unity 카탈로그 설정 및 관리를 참조하세요.
- 볼륨에 대한
WRITE VOLUME
권한, 부모 스키마에 대한USE SCHEMA
권한, 부모 카탈로그에 대한USE CATALOG
권한이 있어야 합니다. - 기존 컴퓨팅 리소스를 사용하거나 새 컴퓨팅 리소스를 만들 수 있는 권한이 있어야 합니다. 시작: 계정 및 작업 영역 설정을 참조하거나 Databricks 관리자에게 문의하세요.
팁
이 문서의 완성된 Notebook은 데이터 Notebook 정리 및 개선을 참조하세요.
1단계: 새 Notebook 만들기
작업 영역에서 Notebook을 생성하려면 사이드바의 새로 만들기를 클릭한 다음 Notebook을 클릭합니다. 작업 영역에서 빈 전자 필기장이 열립니다.
Notebook 만들기 및 관리에 대한 자세한 내용은 Notebook 관리를 참조하세요.
2단계: 변수 정의
이 단계에서는 이 문서에서 만든 예제 Notebook에서 사용할 변수를 정의합니다.
다음 코드를 복사하고 새로운 빈 Notebook 셀에 붙여넣습니다.
<catalog-name>
,<schema-name>
,<volume-name>
을 Unity 카탈로그 볼륨의 카탈로그, 스키마 및 볼륨 이름으로 바꿉니다. 선택에 따라table_name
값을 원하는 테이블 이름으로 바꿀 수 있습니다. 이 문서의 뒷부분에서 아기 이름 데이터를 이 표에 저장합니다.셀을 실행하고 새 빈 셀을 만들려면
Shift+Enter
를 누릅니다.Python
catalog = "<catalog_name>" schema = "<schema_name>" table_name = "baby_names" silver_table_name = "baby_names_prepared" gold_table_name = "top_baby_names_2021" path_table = catalog + "." + schema print(path_table) # Show the complete path
Scala
val catalog = "<catalog_name>" val schema = "<schema_name>" val tableName = "baby_names" val silverTableName = "baby_names_prepared" val goldTableName = "top_baby_names_2021" val pathTable = s"${catalog}.${schema}" print(pathTable) // Show the complete path
R
catalog <- "<catalog_name>" schema <- "<schema_name>" volume <- "<volume_name>" table_name <- "baby_names" silver_table_name <- "baby_names_prepared" gold_table_name <- "top_baby_names_2021" path_table <- paste(catalog, ".", schema, sep = "") print(path_table) # Show the complete path
3단계: 새 DataFrame에 원시 데이터 로드
이 단계에서는 추가 분석을 위해 이 데이터를 정리하고 개선하기 위한 준비로 이전에 델타 테이블에 저장된 원시 데이터를 새 DataFrame에 로드합니다.
다음 코드를 복사하고 새로운 빈 Notebook 셀에 붙여넣습니다.
Python
df_raw = spark.read.table(f"{path_table}.{table_name}") display(df_raw)
Scala
val dfRaw = spark.read.table(s"${pathTable}.${tableName}") display(dfRaw)
R
# Load the SparkR package that is already preinstalled on the cluster. library(SparkR) df_raw = sql(paste0("SELECT * FROM ", path_table, ".", table_name)) display(df_raw)
Shift+Enter
키를 눌러 셀을 실행하고 다음 셀로 이동합니다.
4단계: 원시 데이터를 정리 및 개선하고 저장
이 단계에서는 Year
열의 이름을 변경하고 Sex
열의 데이터를 첫 글자 대문자로 변경한 다음, First_Name
열의 값을 업데이트하여 성별을 철자로 표시한 다음 DataFrame을 새 테이블에 저장합니다.
다음 코드를 복사한 후 빈 Notebook 셀에 붙여넣습니다.
Python
from pyspark.sql.functions import col, initcap, when # Rename "Year" column to "Year_Of_Birth" df_rename_year = df_raw.withColumnRenamed("Year", "Year_Of_Birth") # Change the case of "First_Name" column to initcap df_init_caps = df_rename_year.withColumn("First_Name", initcap(col("First_Name").cast("string"))) # Update column values from "M" to "male" and "F" to "female" df_baby_names_sex = df_init_caps.withColumn( "Sex", when(col("Sex") == "M", "Male") .when(col("Sex") == "F", "Female") ) # display display(df_baby_names_sex) # Save DataFrame to table df_baby_names_sex.write.mode("overwrite").saveAsTable(f"{path_table}.{silver_table_name}")
Scala
import org.apache.spark.sql.functions.{col, initcap, when} // Rename "Year" column to "Year_Of_Birth" val dfRenameYear = dfRaw.withColumnRenamed("Year", "Year_Of_Birth") // Change the case of "First_Name" data to initial caps val dfNameInitCaps = dfRenameYear.withColumn("First_Name", initcap(col("First_Name").cast("string"))) // Update column values from "M" to "Male" and "F" to "Female" val dfBabyNamesSex = dfNameInitCaps.withColumn("Sex", when(col("Sex") equalTo "M", "Male") .when(col("Sex") equalTo "F", "Female")) // Display the data display(dfBabyNamesSex) // Save DataFrame to a table dfBabyNamesSex.write.mode("overwrite").saveAsTable(s"${pathTable}.${silverTableName}")
R
# Rename "Year" column to "Year_Of_Birth" df_rename_year <- withColumnRenamed(df_raw, "Year", "Year_Of_Birth") # Change the case of "First_Name" data to initial caps df_init_caps <- withColumn(df_rename_year, "First_Name", initcap(df_rename_year$First_Name)) # Update column values from "M" to "Male" and "F" to "Female" df_baby_names_sex <- withColumn(df_init_caps, "Sex", ifelse(df_init_caps$Sex == "M", "Male", ifelse(df_init_caps$Sex == "F", "Female", df_init_caps$Sex))) # Display the data display(df_baby_names_sex) # Save DataFrame to a table saveAsTable(df_baby_names_sex, paste(path_table, ".", silver_table_name), mode = "overwrite")
Shift+Enter
키를 눌러 셀을 실행하고 다음 셀로 이동합니다.
5단계: 데이터 그룹화 및 시각화
이 단계에서는 데이터를 2021년으로만 필터링하고, 데이터를 성별 및 이름으로 그룹화하고, 개수별로 집계하고, 개수별로 정렬합니다. 그런 다음, DataFrame을 테이블에 저장하고 막대형 차트에서 데이터를 시각화합니다.
다음 코드를 복사한 후 빈 Notebook 셀에 붙여넣습니다.
Python
from pyspark.sql.functions import expr, sum, desc from pyspark.sql import Window # Count of names for entire state of New York by sex df_baby_names_2021_grouped=(df_baby_names_sex .filter(expr("Year_Of_Birth == 2021")) .groupBy("Sex", "First_Name") .agg(sum("Count").alias("Total_Count")) .sort(desc("Total_Count"))) # Display data display(df_baby_names_2021_grouped) # Save DataFrame to a table df_baby_names_2021_grouped.write.mode("overwrite").saveAsTable(f"{path_table}.{gold_table_name}")
Scala
import org.apache.spark.sql.functions.{expr, sum, desc} import org.apache.spark.sql.expressions.Window // Count of male and female names for entire state of New York by sex val dfBabyNames2021Grouped = dfBabyNamesSex .filter(expr("Year_Of_Birth == 2021")) .groupBy("Sex", "First_Name") .agg(sum("Count").alias("Total_Count")) .sort(desc("Total_Count")) // Display data display(dfBabyNames2021Grouped) // Save DataFrame to a table dfBabyNames2021Grouped.write.mode("overwrite").saveAsTable(s"${pathTable}.${goldTableName}")
R
# Filter to only 2021 data df_baby_names_2021 <- filter(df_baby_names_sex, df_baby_names_sex$Year_Of_Birth == 2021) # Count of names for entire state of New York by sex df_baby_names_grouped <- agg( groupBy(df_baby_names_2021, df_baby_names_2021$Sex, df_baby_names_2021$First_Name), Total_Count = sum(df_baby_names_2021$Count) ) # Display data display(arrange(select(df_baby_names_grouped, df_baby_names_grouped$Sex, df_baby_names_grouped$First_Name, df_baby_names_grouped$Total_Count), desc(df_baby_names_grouped$Total_Count))) # Save DataFrame to a table saveAsTable(df_baby_names_2021_grouped, paste(path_table, ".", gold_table_name), mode = "overwrite")
Ctrl+Enter
키를 눌러 셀을 실행합니다.-
- 테이블 탭 옆에 있는 +를 클릭한 다음 시각화를 클릭합니다.
시각화 편집기에서 시각적 개체 유형을 클릭하고 막대가 선택되어 있는지 확인합니다.
X 열에서
First_Name
을 선택합니다.Y 열에서 열 추가를 클릭한 다음 Total_Count를 선택합니다.
그룹화 기준에서 성을 선택합니다.
저장을 클릭합니다.
데이터 Notebook 정리 및 개선
다음 Notebook 중 하나를 사용하여 이 문서의 단계를 수행합니다. <catalog-name>
, <schema-name>
, <volume-name>
을 Unity 카탈로그 볼륨의 카탈로그, 스키마 및 볼륨 이름으로 바꿉니다. 선택에 따라 table_name
값을 원하는 테이블 이름으로 바꿀 수 있습니다.