Visualizar dados
Um dos modos mais intuitivos de analisar os resultados das consultas de dados é visualizá-los como gráficos. Notebooks no Azure Databricks fornecem funcionalidades de gráfico na interface do usuário e, quando essa funcionalidade não fornece o que você precisa, é possível usar uma das muitas bibliotecas de gráficos do Python para criar e exibir visualizações de dados no notebook.
Como usar gráficos de notebook internos
Quando você exibe um dataframe ou executa uma consulta SQL em um notebook do Spark no Azure Databricks, os resultados são exibidos na célula de código. Por padrão, os resultados são renderizados como uma tabela, mas você também pode exibir os resultados como uma visualização e personalizar como o gráfico exibe os dados, conforme mostrado aqui:
A funcionalidade de visualização interna em notebooks é útil quando você deseja resumir rapidamente os dados visualmente. Quando você quiser ter mais controle sobre como os dados são formatados ou exibir valores que você já agregaram em uma consulta, considere usar um pacote gráfico para criar visualizações próprias.
Usando pacotes gráficos no código
Há muitos pacotes gráficos que você pode usar para criar visualizações de dados no código. Em particular, o Python dá suporte a uma grande seleção de pacotes; a maioria criada na biblioteca base Matplotlib. A saída de uma biblioteca de gráficos pode ser renderizada em um notebook, facilitando a combinação de código para ingerir e manipular dados com visualizações de dados embutidas e células de markdown para fornecer comentários.
Por exemplo, você pode usar o código PySpark a seguir para agregar dados dos dados de produtos hipotéticos explorados anteriormente neste módulo e usar Matplotlib para criar um gráfico com base nos dados agregados.
from matplotlib import pyplot as plt
# Get the data as a Pandas dataframe
data = spark.sql("SELECT Category, COUNT(ProductID) AS ProductCount \
FROM products \
GROUP BY Category \
ORDER BY Category").toPandas()
# Clear the plot area
plt.clf()
# Create a Figure
fig = plt.figure(figsize=(12,8))
# Create a bar plot of product counts by category
plt.bar(x=data['Category'], height=data['ProductCount'], color='orange')
# Customize the chart
plt.title('Product Counts by Category')
plt.xlabel('Category')
plt.ylabel('Products')
plt.grid(color='#95a5a6', linestyle='--', linewidth=2, axis='y', alpha=0.7)
plt.xticks(rotation=70)
# Show the plot area
plt.show()
A biblioteca Matplotlib requer que os dados estejam em um dataframe do Pandas, em vez de um dataframe do Spark, de modo que o método toPandas é usado para conversão. Em seguida, o código cria uma figura com um tamanho especificado e plota um gráfico de barras com alguma configuração de propriedade personalizada antes de mostrar o gráfico resultante.
O gráfico produzido pelo código seria semelhante à seguinte imagem:
Você pode usar a biblioteca Matplotlib para criar muitos tipos de gráfico; se preferir, você pode usar outras bibliotecas, como Seaborn, para criar gráficos altamente personalizados.
Observação
As bibliotecas Matplotlib e Seaborn talvez já estejam instaladas em clusters do Databricks, dependendo do Databricks Runtime do cluster. Caso contrário, ou se você quiser usar uma biblioteca diferente que ainda não esteja instalada, poderá adicioná-la ao cluster. Confira Bibliotecas de cluster na documentação do Azure Databricks para obter detalhes.