Adatok elemzése az Apache Spark és a Python használatával

Ebben a cikkben megismerheti, hogyan végezhet feltáró adatelemzést az Azure Open Datasets és az Apache Spark használatával. Ez a cikk a New York-i taxiadatkészletet elemzi. Az adatok az Azure Open Datasetsen keresztül érhetők el. Az adatkészlet ezen részhalmaza információkat tartalmaz a sárga taxis utakról: az egyes utazásokról, a kezdési és befejezési időpontokról és helyekről, a költségekről és egyéb érdekes attribútumokról.

Ebben a cikkben:

Előfeltételek

• Microsoft Fabric-előfizetés lekérése. Vagy regisztráljon egy ingyenes Microsoft Fabric-próbaverzióra.

• Jelentkezzen be a Microsoft Fabricbe.

• Váltson Fabricre a kezdőlap bal alsó részén található élménykapcsolóval.

  

Az adatok letöltése és előkészítése

Első lépésként töltse le a New York City (NYC) Taxi adatkészletet, és készítse elő az adatokat.

1. Jegyzetfüzet létrehozása a PySpark használatával. Útmutatásért lásd: Jegyzetfüzet létrehozása.

   Feljegyzés

   A PySpark kernel miatt nem kell explicit módon létrehoznia a környezeteket. A Spark-környezet automatikusan létrejön az első kódcella futtatásakor.

2. Ebben a cikkben számos különböző kódtárat használ az adathalmaz megjelenítéséhez. Az elemzés elvégzéséhez importálja a következő kódtárakat:

   import matplotlib.pyplot as plt
   import seaborn as sns
   import pandas as pd
   

3. Mivel a nyers adatok Parquet formátumúak, a Spark-környezettel közvetlenül DataFrame-ként lekérheti a fájlt a memóriába. Az Open Datasets API használatával kérje le az adatokat, és hozzon létre egy Spark DataFrame-et. Az adattípusok és a séma következtetéséhez használja a Spark DataFrame sémát olvasási tulajdonságokon .

   from azureml.opendatasets import NycTlcYellow
   
   end_date = parser.parse('2018-06-06')
   start_date = parser.parse('2018-05-01')
   nyc_tlc = NycTlcYellow(start_date=start_date, end_date=end_date)
   nyc_tlc_pd = nyc_tlc.to_pandas_dataframe()
   
   df = spark.createDataFrame(nyc_tlc_pd)
   

4. Az adatok beolvasása után végezze el a kezdeti szűrést az adathalmaz megtisztításához. Eltávolíthatja a szükségtelen oszlopokat, és fontos információkat kinyerő oszlopokat vehet fel. Emellett kiszűrheti az adathalmazon belüli anomáliákat.

   # Filter the dataset 
   from pyspark.sql.functions import *
   
   filtered_df = df.select('vendorID', 'passengerCount', 'tripDistance','paymentType', 'fareAmount', 'tipAmount'\
                                   , date_format('tpepPickupDateTime', 'hh').alias('hour_of_day')\
                                   , dayofweek('tpepPickupDateTime').alias('day_of_week')\
                                   , dayofmonth(col('tpepPickupDateTime')).alias('day_of_month'))\
                               .filter((df.passengerCount > 0)\
                                   & (df.tipAmount >= 0)\
                                   & (df.fareAmount >= 1) & (df.fareAmount <= 250)\
                                   & (df.tripDistance > 0) & (df.tripDistance <= 200))
   
   filtered_df.createOrReplaceTempView("taxi_dataset")
   

Adatok elemzése

Adatelemzőként számos eszköz áll rendelkezésre az adatokból való elemzések kinyeréséhez. A cikk jelen részében megismerhet néhány, a Microsoft Fabric-jegyzetfüzetekben elérhető hasznos eszközt. Ebben az elemzésben meg szeretné ismerni azokat a tényezőket, amelyek magasabb taxitippeket eredményeznek a kiválasztott időszakban.

Apache Spark SQL Magic

Először végezze el a feltáró adatelemzést az Apache Spark SQL és a Magic parancsok használatával a Microsoft Fabric-jegyzetfüzettel. A lekérdezés után vizualizálja az eredményeket a beépített chart options képesség használatával.

1. A jegyzetfüzetben hozzon létre egy új cellát, és másolja a következő kódot. Ezzel a lekérdezéssel megtudhatja, hogyan változnak az átlagos tippösszegek a kiválasztott időszakban. Ez a lekérdezés más hasznos megállapításokat is segít azonosítani, beleértve a napi minimális/maximális tippösszeget és az átlagos viteldíjakat.

   %%sql
   SELECT 
       day_of_month
       , MIN(tipAmount) AS minTipAmount
       , MAX(tipAmount) AS maxTipAmount
       , AVG(tipAmount) AS avgTipAmount
       , AVG(fareAmount) as fareAmount
   FROM taxi_dataset 
   GROUP BY day_of_month
   ORDER BY day_of_month ASC
   

2. A lekérdezés futtatása után a diagramnézetre váltva megjelenítheti az eredményeket. Ez a példa egy vonaldiagramot hoz létre a day_of_month mező kulcsként és avgTipAmount értékként való megadásával. Miután kiválasztotta a kijelöléseket, válassza az Alkalmaz lehetőséget a diagram frissítéséhez.

Adatok vizualizációja

A beépített jegyzetfüzet-diagramkészítési lehetőségek mellett népszerű nyílt forráskódú kódtárakat is használhat saját vizualizációk létrehozásához. Az alábbi példákban használja a Seaborn és a Matplotlib függvényt, amelyeket gyakran használnak Python-kódtárak adatvizualizációhoz.

1. A fejlesztés megkönnyítése és olcsóbbá tétele érdekében állítsa le az adathalmazt. Használja a beépített Apache Spark-mintavételezési képességet. Emellett a Seaborn és a Matplotlib is pandas DataFrame- vagy NumPy-tömböt igényel. Pandas DataFrame beszerzéséhez használja a toPandas() parancsot a DataFrame konvertálásához.

   # To make development easier, faster, and less expensive, downsample for now
   sampled_taxi_df = filtered_df.sample(True, 0.001, seed=1234)
   
   # The charting package needs a Pandas DataFrame or NumPy array to do the conversion
   sampled_taxi_pd_df = sampled_taxi_df.toPandas()
   

2. Megismerheti az adathalmaz tippjeinek eloszlását. A Matplotlib használatával olyan hisztogramot hozhat létre, amely a csúcsösszeg és a darabszám eloszlását mutatja. Az eloszlás alapján láthatja, hogy a tippek a 10 usd-nél kisebb vagy azzal egyenlő összegekre vannak elvarrva.

   # Look at a histogram of tips by count by using Matplotlib
   
   ax1 = sampled_taxi_pd_df['tipAmount'].plot(kind='hist', bins=25, facecolor='lightblue')
   ax1.set_title('Tip amount distribution')
   ax1.set_xlabel('Tip Amount ($)')
   ax1.set_ylabel('Counts')
   plt.suptitle('')
   plt.show()
   

   

3. Ezután próbálja megérteni az adott utazás tippjei és a hét napja közötti kapcsolatot. A Seaborn használatával létrehozhat egy dobozdiagramot, amely összefoglalja a hét minden napjának trendjeit.

   # View the distribution of tips by day of week using Seaborn
   ax = sns.boxplot(x="day_of_week", y="tipAmount",data=sampled_taxi_pd_df, showfliers = False)
   ax.set_title('Tip amount distribution per day')
   ax.set_xlabel('Day of Week')
   ax.set_ylabel('Tip Amount ($)')
   plt.show()
   
   

   

4. Egy másik hipotézis lehet, hogy pozitív kapcsolat van az utasok száma és a taxi tipp teljes összege között. A kapcsolat ellenőrzéséhez futtassa az alábbi kódot egy dobozdiagram létrehozásához, amely bemutatja az egyes utasok számához tartozó tippek eloszlását.

   # How many passengers tipped by various amounts 
   ax2 = sampled_taxi_pd_df.boxplot(column=['tipAmount'], by=['passengerCount'])
   ax2.set_title('Tip amount by Passenger count')
   ax2.set_xlabel('Passenger count')
   ax2.set_ylabel('Tip Amount ($)')
   ax2.set_ylim(0,30)
   plt.suptitle('')
   plt.show()
   

   

5. Végül vizsgálja meg a viteldíj összege és a tipp összege közötti kapcsolatot. Az eredmények alapján láthatja, hogy számos olyan megfigyelés van, ahol az emberek nem tippelnek. A teljes viteldíj és a tippösszegek között azonban pozitív kapcsolat áll fenn.

   # Look at the relationship between fare and tip amounts
   
   ax = sampled_taxi_pd_df.plot(kind='scatter', x= 'fareAmount', y = 'tipAmount', c='blue', alpha = 0.10, s=2.5*(sampled_taxi_pd_df['passengerCount']))
   ax.set_title('Tip amount by Fare amount')
   ax.set_xlabel('Fare Amount ($)')
   ax.set_ylabel('Tip Amount ($)')
   plt.axis([-2, 80, -2, 20])
   plt.suptitle('')
   plt.show()
   

   

Kapcsolódó tartalom

• Pandas API az Apache Sparkon
• Python in-line telepítés