Spark DataFrames에서 데이터 랭글러를 사용하는 방법
예비 데이터 분석을 위한 Notebook 기반 도구인 데이터 랭글러는 이제 Spark DataFrames와 pandas DataFrames를 모두 지원합니다. Python 코드 외에도 PySpark 코드를 생성합니다. pandas DataFrames를 탐색하고 변환하는 방법을 다루는 Data Wrangler에 대한 일반적인 개요는 기본 자습서를 참조하세요. 이 자습서에서는 데이터 랭글러를 사용하여 Spark DataFrame을 탐색하고 변환하는 방법을 보여 줍니다.
필수 조건
Microsoft Fabric 구독을 구매합니다. 또는 무료 Microsoft Fabric 평가판에 등록합니다.
Microsoft Fabric에 로그인합니다.
홈페이지 왼쪽의 환경 전환기를 사용하여 Synapse 데이터 과학 환경으로 전환합니다.
제한 사항
- 사용자 지정 코드 작업은 현재 pandas DataFrames에 대해서만 지원됩니다.
- 데이터 랭글러 디스플레이는 더 작은 화면을 수용하기 위해 인터페이스의 다른 부분을 최소화하거나 숨길 수 있지만 큰 모니터에서 가장 잘 작동합니다.
Spark DataFrame을 사용하여 데이터 랭글러 시작
사용자는 Pandas DataFrame이 표시되는 동일한 드롭다운 프롬프트로 이동하여 Microsoft Fabric Notebook에서 직접 데이터 랭글러의 Spark DataFrames를 열 수 있습니다. 활성 Spark DataFrames 목록은 활성 pandas 변수 목록 아래의 드롭다운에 표시됩니다.
이 코드 조각은 pandas Data Wrangler 자습서에서 사용되는 것과 동일한 샘플 데이터를 사용하여 Spark DataFrame을 만듭니다.
import pandas as pd
# Read a CSV into a Spark DataFrame
sdf = spark.createDataFrame(pd.read_csv("https://raw.githubusercontent.com/plotly/datasets/master/titanic.csv"))
display(sdf)
전자 필기장 리본 "홈" 탭에서 데이터 랭글러 드롭다운 프롬프트를 사용하여 편집할 수 있는 활성 데이터 프레임을 찾아봅니다. 데이터 랭글러에서 열려는 항목을 선택합니다.
팁
Notebook 커널이 사용 중인 동안에는 데이터 랭글러를 열 수 없습니다. 실행 중인 셀은 다음 스크린샷과 같이 데이터 랭글러가 실행되기 전에 실행을 완료해야 합니다.
사용자 지정 샘플 선택
데이터 랭글러는 성능상의 이유로 Spark DataFrames를 pandas 샘플로 자동으로 변환합니다. 그러나 도구에서 생성하는 모든 코드는 궁극적으로 Notebook으로 다시 내보낼 때 PySpark로 변환됩니다. pandas DataFrame과 마찬가지로 기본 샘플을 사용자 지정할 수 있습니다. 데이터 랭글러를 사용하여 활성 DataFrame의 사용자 지정 샘플을 열려면 다음 스크린샷과 같이 드롭다운에서 "사용자 지정 샘플 선택"을 선택합니다.
그러면 다음 스크린샷과 같이 원하는 샘플의 크기(행 수) 및 샘플링 방법(첫 번째 레코드, 마지막 레코드 또는 임의 집합)을 지정하는 옵션이 포함된 팝업이 시작됩니다.
요약 통계 보기
데이터 랭글러가 로드되면 미리 보기 표 위에 정보 배너가 표시됩니다. 이 배너는 Spark DataFrames가 일시적으로 pandas 샘플로 변환되지만 생성된 모든 코드는 궁극적으로 PySpark로 변환된다는 것을 설명합니다. 이전에는 Spark DataFrames에서 데이터 랭글러를 사용하는 것이 pandas DataFrames에서 사용하는 것과 다르지 않습니다. "요약" 패널의 설명 개요에는 샘플의 차원, 누락된 값 등에 대한 정보가 표시됩니다. 데이터 랭글러 그리드에서 열을 선택하면 "요약" 패널에 해당 특정 열에 대한 설명 통계를 업데이트하고 표시하라는 메시지가 표시됩니다. 모든 열에 대한 빠른 인사이트는 헤더에서도 사용할 수 있습니다.
팁
열별 통계 및 시각적 개체("요약" 패널 및 열 머리글 모두)는 열 데이터 형식에 따라 달라집니다. 예를 들어 이 스크린샷과 같이 열이 숫자 형식으로 캐스팅되는 경우에만 숫자 열의 범주화된 히스토그램이 열 머리글에 표시됩니다.
데이터 정리 작업 찾아보기
검색 가능한 데이터 정리 단계 목록은 "작업" 패널에서 찾을 수 있습니다. "작업" 패널에서 데이터 정리 단계를 선택하면 단계를 완료하는 데 필요한 매개 변수와 함께 대상 열 또는 열을 제공하라는 메시지가 표시됩니다. 예를 들어 열의 숫자 크기를 조정하라는 프롬프트에는 다음 스크린샷과 같이 새 값 범위가 필요합니다.
팁
이 스크린샷에 표시된 것처럼 각 열 머리글의 메뉴에서 더 작은 작업 선택을 적용할 수 있습니다.
작업 미리 보기 및 적용
데이터 랭글러 표시 그리드는 선택한 작업의 결과를 자동으로 미리 볼 수 있으며, 해당 코드는 표 아래 패널에 자동으로 표시됩니다. 미리 보기 코드를 커밋하려면 어느 위치에서든 "적용"을 선택합니다. 미리 보기 코드를 삭제하고 새 작업을 시도하려면 이 스크린샷에 표시된 대로 "취소"를 선택합니다.
작업이 적용되면 데이터 랭글러는 결과를 반영하도록 그리드 및 요약 통계를 업데이트합니다. 코드는 다음 스크린샷과 같이 "정리 단계" 패널에 있는 커밋된 작업의 실행 목록에 표시됩니다.
팁
항상 가장 최근에 적용된 단계를 실행 취소할 수 있습니다. 이 스크린샷과 같이 가장 최근에 적용된 단계 위로 커서를 가져가면 "정리 단계" 패널에 휴지통 아이콘이 표시됩니다.
이 표에서는 Data Wrangler가 현재 지원하는 작업을 요약합니다.
| 연산 | 설명 |
|---|---|
| Sort | 열을 오름차순 또는 내림차순으로 정렬 |
| Filter | 하나 이상의 조건에 따라 행 필터링 |
| 원 핫 인코딩 | 기존 열의 각 고유 값에 대한 새 열을 만들어 행당 해당 값의 존재 여부 또는 없음을 나타냅니다. |
| 구분 기호를 사용하여 원 핫 인코딩 | 구분 기호를 사용하여 범주 데이터 분할 및 원 핫 인코딩 |
| 열 형식 변경 | 열의 데이터 형식 변경 |
| 열 삭제 | 하나 이상의 열 삭제 |
| 열 선택 | 유지할 열을 하나 이상 선택하고 나머지는 삭제합니다. |
| 열 이름 바꾸기 | 열 이름 바꾸기 |
| 누락된 값 삭제 | 누락된 값이 있는 행 제거 |
| 중복 행 삭제 | 하나 이상의 열에 중복 값이 있는 모든 행 삭제 |
| 누락된 값 채우기 | 셀을 누락된 값으로 새 값으로 바꾸기 |
| 찾기 및 바꾸기 | 셀을 정확히 일치하는 패턴으로 바꾸기 |
| 열 및 집계별로 그룹화 | 열 값 및 집계 결과별로 그룹화 |
| 공백 제거 | 텍스트의 시작과 끝에서 공백 제거 |
| 텍스트 분할 | 사용자 정의 구분 기호에 따라 열을 여러 열로 분할 |
| 텍스트를 소문자로 변환 | 텍스트를 소문자로 변환 |
| 텍스트를 대문자로 변환 | 텍스트를 대문자로 변환 |
| 최소/최대값 크기 조정 | 최소값과 최대값 사이의 숫자 열 크기 조정 |
| 빠른 채우기 | 기존 열에서 파생된 예제를 기반으로 새 열을 자동으로 만듭니다. |
디스플레이 수정
언제든지 데이터 랭글러 표시 눈금 위에 있는 도구 모음에서 "보기" 탭을 사용하여 인터페이스를 사용자 지정할 수 있습니다. 이 스크린샷과 같이 기본 설정 및 화면 크기에 따라 다른 창을 숨기거나 표시할 수 있습니다.
코드 저장 및 내보내기
데이터 랭글러 표시 그리드 위의 도구 모음은 생성된 코드를 저장하는 옵션을 제공합니다. 코드를 클립보드에 복사하거나 Notebook에 함수로 내보낼 수 있습니다. Spark DataFrames의 경우 pandas 샘플에서 생성된 모든 코드는 Notebook에 다시 배치되기 전에 PySpark로 변환됩니다. 데이터 랭글러를 닫기 전에 이 도구는 번역된 PySpark 코드의 미리 보기를 표시하고 중간 pandas 코드도 내보내는 옵션을 제공합니다.
팁
데이터 랭글러는 새 셀을 수동으로 실행할 때만 적용되는 코드를 생성하며, 이 스크린샷과 같이 원래 DataFrame을 덮어쓰지 않습니다.
이 스크린샷과 같이 코드가 PySpark로 변환됩니다.
그런 다음, 이 스크린샷과 같이 내보낸 코드를 실행할 수 있습니다.
