データパイプラインのソース データを探索する
データパイプラインを作成する一般的な最初のステップは、パイプラインのソースデータを理解することです。 この手順では、ノートブックで Databricks ユーティリティと PySpark コマンドを実行して、ソース データとアーティファクトを調べます。
探索的データ分析の詳細については、「 Databricks での探索的データ分析: ツールと手法」を参照してください。
データ探索ノートブックを作成する
-
サイドバーで、[
新規] をクリックし、メニューから[ノートブック] を選択します。ノートブックが開き、置き換えることができるデフォルト名が表示されます。
-
ノートブックの名前を入力します(例:
Explore songs data
)。デフォルトでは、- Python が選択された言語です。
- ノートブックは、最後に使用したクラスターにアタッチされます。 この場合は、「 ステップ 1: コンピュート リソースを作成する」で作成したクラスターです。
-
データセットを含むディレクトリの内容を表示するには、ノートブックの最初のセルに次のように入力し、
をクリックして、 [セルの実行] を選択します。
Bash%fs ls "/databricks-datasets/songs"
パス
name
サイズ
modification時間
dbfs:/databricks-データセット/songs/README.md
README.md
1719
1454620183000
dbfs:/databricks-データセット/songs/data-001/
データ-001/
0
1672791237846
dbfs:/databricks-データセット/songs/data-002/
データ-002/
0
1672791237846
データの探索
-
README ファイルには、データ スキーマの説明など、データセットに関する情報が含まれています。 スキーマ情報は、次の手順でデータを取り込むときに使用されます。 READMEの内容を表示するには、セル・アクション・メニューの「
」をクリックし、「 セルを下に追加 」を選択し、新しいセルに次のように入力して「
」をクリックし、「 セルの実行」 を選択します。
Bash%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
... -
この例で使用するレコードは、
/databricks-datasets/songs/data-001/
ディレクトリにあります。 このディレクトリの内容を表示するには、セル・アクション・メニューで「」をクリックし、「 セルを下に追加 」を選択し、新しいセルに次のように入力して「
」をクリックし、「 セルの実行」 を選択します。
Bash%fs ls "/databricks-datasets/songs/data-001"
パス
name
サイズ
modification時間
dbfs:/databricks-データセット/songs/data-001/header.txt
header.txt
377
1454633901000
dbfs:/databricks-データセット/songs/data-001/part-00000
部品-00000
52837
1454547464000
dbfs:/databricks-データセット/songs/data-001/part-00001
部品-00001
52469
1454547465000
-
README とファイル名はファイル形式を示していないため、レコードのサンプルを表示して、各レコードの内容と形式をよりよく理解できます。 データ・ファイルの 1 つから最初の 10 個のレコードを読み取って表示するには、セル・アクション・メニューの「
」をクリックし、「 セルを下に追加 」を選択し、新しいセルに次のように入力して「
」をクリックし、「 セルの実行」 を選択します。
Bash%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
...レコードのサンプルを表示することで、データに関するいくつかのことを観察できます。 これらの観測値は、後でデータを処理するときに使用します。
- レコードにヘッダーが含まれていません。 代わりに、ヘッダーは同じディレクトリ内の別のファイルに格納されます。
- ファイルはタブ区切り値 (TSV) 形式で表示されます。
- 一部のフィールドが欠落しているか、無効です。
- レコードにヘッダーが含まれていません。 代わりに、ヘッダーは同じディレクトリ内の別のファイルに格納されます。
-
データをさらに調査して分析するには、これらの観測値を使用して、TSV 形式の曲データを PySpark データフレーム に読み込みます。
これを行うには、セルアクションメニューの「 」をクリックし、「下にセルを追加」 を選択し、新しいセルに次のコードを入力して、「 セルの実行 」
>をクリックします。
Pythondf = spark.read.format('csv').option("sep", "\t").load('dbfs:/databricks-datasets/songs/data-001/part-00000')
df.display()データ・ファイルにはヘッダーがないため、列名は
_c0
、_c1
などと表示されます。 各列は、実際のデータ型に関係なく、string
として解釈されます。 次の手順での生データの取り込みは、データを読み込むときに有効なスキーマを適用する方法の例を示しています。