Изучение исходных данных для конвейера данных

Первым шагом при создании конвейера данных является понимание исходных данных для конвейера. На этом шаге вы запустите команды Databricks Utilities и PySpark в записной книжке для изучения исходных данных и артефактов.

Дополнительные сведения об анализе аналитических данных см. в статье "Анализ данных Exploratory" в Azure Databricks: сервис и методы.

Видео: общие сведения о записных книжках Databricks

Общие сведения о записных книжках Databricks см. в этом видео:

Создание записной книжки для исследования данных

1. На боковой панели щелкните Создать и выберите Записная книжка в меню. Записная книжка открывается с именем по умолчанию, которое можно заменить.

2. Введите имя записной книжки, например Explore songs data. По умолчанию:

   • Python — это выбранный язык.
   • Записная книжка подключена к последнему используемому кластеру. В этом случае кластер, созданный на шаге 1. Создание кластера.

3. Чтобы просмотреть содержимое каталога, содержащего набор данных, введите следующее в первой ячейке записной книжки, щелкните и выберите запустить ячейку.

   %fs ls "/databricks-datasets/songs"
   

   path	name	size	modificationTime
   dbfs:/databricks-datasets/songs/README.md	README.md	1719	1454620183000
   dbfs:/databricks-datasets/songs/data-001/	data-001/	0	1672791237846
   dbfs:/databricks-datasets/songs/data-002/	data-002/	0	1672791237846

Изучение данных

1. Файл README содержит сведения о наборе данных, включая описание схемы данных. Сведения о схеме используются на следующем шаге при приеме данных. Чтобы просмотреть содержимое README, щелкните в меню действий ячейки, выберите Добавить ячейку ниже, введите следующую команду в новой ячейке, щелкните и выберите Запустить ячейку.

   %fs head --maxBytes=10000 "/databricks-datasets/songs/README.md"
   

   Sample of Million Song Dataset
   ===============================
   
   ## Source
   This data is a small subset of the [Million Song Dataset](http://labrosa.ee.columbia.edu/millionsong/).
   The original data was contributed by The Echo Nest.
   Prepared by T. Bertin-Mahieux <tb2332 '@' columbia.edu>
   
   ## Attribute Information
   - artist_id:string
   - artist_latitude:double
   - artist_longitude:double
   - artist_location:string
   - artist_name:string
   - duration:double
   - end_of_fade_in:double
   - key:int
   - key_confidence:double
   - loudness:double
   - release:string
   - song_hotnes:double
   - song_id:string
   - start_of_fade_out:double
   - tempo:double
   - time_signature:double
   - time_signature_confidence:double
   - title:string
   - year:double
   - partial_sequence:int
   ...
   

2. Записи, используемые в этом примере, находятся в каталоге /databricks-datasets/songs/data-001/ . Чтобы просмотреть содержимое этого каталога, щелкните в меню действий ячейки, выберите Добавить ячейку ниже, введите следующую команду в новой ячейке, щелкните и выберите запустить ячейку.

   %fs ls "/databricks-datasets/songs/data-001"
   

   path	name	size	modificationTime
   dbfs:/databricks-datasets/songs/data-001/header.txt	header.txt	377	1454633901000
   dbfs:/databricks-datasets/songs/data-001/part-00000	часть-00000	52837	1454547464000
   dbfs:/databricks-datasets/songs/data-001/part-00001	часть-00001	52469	1454547465000

3. Так как имена README и файлов не указывают формат файла, можно просмотреть пример записей, чтобы лучше понять содержимое и формат каждой записи. Чтобы прочитать и отобразить первые десять записей из одного из файлов данных, щелкните в меню действий ячейки, выберите Добавить ячейку ниже, введите следующее в новой ячейке, затем откройте и выберите Запустить ячейку.

   %fs head --maxBytes=10000 "/databricks-datasets/songs/data-001/part-00000"
   

    AR81V6H1187FB48872  nan     nan             Earl Sixteen    213.7073        0.0     11      0.419   -12.106 Soldier of Jah Army     nan     SOVNZSZ12AB018A9B8      208.289 125.882 1       0.0     Rastaman        2003    --
    ARVVZQP11E2835DBCB  nan     nan             Wavves  133.25016       0.0     0       0.282   0.596   Wavvves 0.471578247701  SOJTQHQ12A8C143C5F      128.116 89.519  1       0.0     I Want To See You (And Go To The Movies)        2009    --
    ARFG9M11187FB3BBCB  nan     nan     Nashua USA      C-Side  247.32689       0.0     9       0.612   -4.896  Santa Festival Compilation 2008 vol.1   nan     SOAJSQL12AB0180501      242.196 171.278 5       1.0     Loose on the Dancefloor 0       225261
    ...
   

   Вы можете наблюдать за несколькими сведениями о данных при просмотре примера записей. Эти наблюдения будут использоваться позже при обработке данных:

   • Записи не содержат заголовок. Вместо этого заголовок хранится в отдельном файле в одном каталоге.
     • Файлы отображаются в формате табуляции (TSV).
     • Некоторые поля отсутствуют или недопустимы.

4. Для дальнейшего изучения и анализа данных используйте эти наблюдения для загрузки отформатированных данных песни TSV в кадр данных PySpark. Для этого щелкните в меню действий ячейки, выберите Добавить ячейку ниже, введите следующий код в новой ячейке, а затем щелкните >Запустить ячейку.

   df = spark.read.format('csv').option("sep", "\t").load('dbfs:/databricks-datasets/songs/data-001/part-00000')
   df.display()
   

   Так как файл данных отсутствует заголовок, имена столбцов отображаются как _c0, _c1и т. д. Каждый столбец интерпретируется как string независимо от фактического типа данных. Загрузка необработанных данных в следующем шаге показывает пример навязывания допустимой схемы при загрузке данных.