Adatok elemzése az Apache Spark és a Python használatával

  • Cikk

Ebben az oktatóanyagban megtudhatja, hogyan végezhet feltáró adatelemzést az Azure Open Datasets és az Apache Spark használatával.

Különösen a New York City (NYC) Taxi adatkészletet fogjuk elemezni. 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.

Előfeltételek

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

  • Jelentkezzen be a Microsoft Fabricbe.

  • A kezdőlap bal oldalán található élménykapcsolóval válthat a Synapse Adattudomány felületre.

    Screenshot of the experience switcher menu, showing where to select Data Science.

Az adatok letöltése és előkészítése

  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 az oktatóanyagban több különböző kódtárat használunk az adathalmaz vizualizációjának segítéséhez. 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. Spark DataFrame létrehozása az adatok Open Datasets API-val történő beolvasásával. Itt a Spark DataFrame sémát használjuk olvasási tulajdonságokra az adattípusok és a séma következtetéséhez.

    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 először szűrni szeretnénk az adathalmazt. Eltávolíthatjuk a szükségtelen oszlopokat, és fontos információkat kinyerő oszlopokat adhatunk hozzá. Emellett kiszűrjük 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. Az oktatóanyag jelen részében bemutatunk néhány hasznos eszközt, amelyek a Microsoft Fabric-jegyzetfüzetekben érhetők el. Ebben az elemzésben meg szeretnénk érteni azokat a tényezőket, amelyek magasabb taxitippeket eredményeznek a kiválasztott időszakban.

Apache Spark SQL Magic

Először feltáró adatelemzést végzünk apache Spark SQL és magic parancsok segítségével a Microsoft Fabric-jegyzetfüzettel. A lekérdezés után a beépített chart options képesség használatával vizualizáljuk az eredményeket.

  1. Hozzon létre egy új cellát a jegyzetfüzetben, és másolja a következő kódot. Ezzel a lekérdezéssel szeretnénk megérteni, hogy az átlagos tippösszegek hogyan változtak 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 vizualizálhatjuk 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 elemet a diagram frissítéséhez.

Adatok vizualizációja

A beépített jegyzetfüzet-diagramkészítési lehetőségek mellett népszerű nyílt forráskódú kódtárakat is használhat saját vizualizációk létrehozásához. Az alábbi példákban a Seaborn és a Matplotlib függvényt fogjuk használni. Ezeket gyakran használják Python-kódtárak adatvizualizációhoz.

  1. Annak érdekében, hogy a fejlesztés egyszerűbb és olcsóbb legyen, az adatkészletet le kell bontanunk. A beépített Apache Spark-mintavételezési képességet fogjuk használni. 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. Meg szeretnénk érteni az adathalmaz tippjeinek eloszlását. A Matplotlib használatával létrehozunk egy hisztogramot, amely a csúcsösszeg és a darabszám eloszlását mutatja. Az eloszlás alapján láthatjuk, 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()

    Screenshot of histogram of tips.

  3. Következő lépésként meg szeretnénk érteni 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()

    Graph that shows the distribution of tips per day.

  4. Egy másik hipotézisünk az lehet, hogy pozitív kapcsolat áll fenn 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()

    Graph that shows a box whisker plot.

  5. Végül meg szeretnénk érteni a viteldíj összege és a tipp összege közötti kapcsolatot. Az eredmények alapján láthatjuk, hogy számos olyan megfigyelés van, ahol az emberek nem tippelnek. A teljes viteldíj és a tippösszegek között azonban pozitív kapcsolat is látható.

    # 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()

    Screenshot of scatter plot of tip amount.

Kapcsolódó tartalom