鐵人賽Day20 - Feature Engineering (4/6) - iT 邦幫忙::一起幫忙解決難題，拯救 IT 人的一天

第 11 屆 iThome 鐵人賽

DAY 20

Google Developers Machine Learning

Machine Learning with TensorFlow on Google Cloud Platform系列第 20 篇

鐵人賽Day20 - Feature Engineering (4/6)

11th鐵人賽

gary9630

2019-09-21 19:02:17

3822 瀏覽

分享至

使用 Cloud Dataprep 做資料前處理

主旨：了解如何使用 Cloud Dataprep 做資料前處理

Cloud Dataprep

在訓練ML模型前，最一開始要做的事就是將資料準備好，資料準備的步驟中則包含了探索和清理資料等一連串的前處理工作。

今天我們將介紹到使用 Cloud Dataprep 來做前處理，圖形和視覺化的使用者互動，能幫助別人與自己更了解資料的特性，並對特徵工程有相當大的貢獻，而透過 GCP 便能將巨量的資料做到這些前處理的任務。

下面是兩種在 GCP 做前處理的方式，左邊是之前許多實作所採用的，今天的實作將會介紹到右邊透過 Cloud Dataprep 的方式。

所以 Cloud Dataprep 到底是蝦米碗糕呢？它可以讓你探索和轉變你的資料，只需要很小程度的程式碼。它也可以從不同的地方拿取資料包含 Google Cloud storage 和 BigQuery，你也可以上傳自己的資料。

在你探索和了解資料後，你可以使用 Dataprep 來計算資料轉變流(flows)，這個轉變流和管道(pipeline)類似，下面是整個運作的示意：

在 Dataprep 中，flows 是透過一串的 recipes 所實現，recipes 是在 wranglers 函式庫中所建立的資料處理步驟。

而一般常用的資料處理任務，都有先建立好的 wranglers，例如說有：

資料提取 (data ingestion)
資料清理 (data cleansing)
聚合 (aggregations)
加入、連結 (joins, unions)
轉變 (transformations)
資料型態轉換 (type conversions)

若你使用 wranglers，Dataprep 將會把你的 flow 和其recipes 轉變成 dataflow pipeline，接著使用相同的介面，你可以將該 flow 作為一個 job 運行在 Dataflow 上並且監看整個過程，下圖是使用 Dataprep 運行一個 Dataflow job 的流程圖：

接著我們就來實際操作看看吧！

[GCP Lab實作-14]：在 Cloud Dataprep 中計算時間窗口的特徵

在這個實作中，我們將學會：

使用 Cloud Dataprep 建造一個新的 Flow
使用 recipes 建構和鏈結變形的步驟
運行 Cloud Dataprep jobs

今天的實作步驟會蠻多的，看倌們請做好心理準備XDDD

[Part 1]：創建 BigQuery 資料集用來儲存 Cloud Dataprep 輸出

登入 GCP，並在 storage 創建一個 bucket。
在 GCP 的 navigation bar 上，選擇 BigQuery：

點到你的 project ID，選擇 CREATE DATASET：

在 Dataset ID 填入名稱(這裡我用 taxi_cab_reporting)，填好後按 Create dataset：

在 GCP 的 navigation bar 上，選擇 Dataprep：

接著就是一連串的確認、同意、接受使用條款：

[Part 2]：從 Google Cloud Storage 輸入 NYC Taxi 資料到 Dataprep Flow

在 Dataprep Flow 介面右邊，選擇 Create Flow：

填入 Flow Name 和 Description 後，按 Create：

接著選擇 Import & Add Dataset：

Import Data 介面上選擇 GCS，點選鉛筆按鈕來選擇要引入資料的 GCP 路徑：

分別填入下面2個資料路徑(分別是2015年和2016年的資料)，然後按 Go (做兩次)：

gs://cloud-training/gcpml/c4/tlc_yellow_trips_2015_small.csv

gs://cloud-training/gcpml/c4/tlc_yellow_trips_2016_small.csv

可以看到我們加入的兩個資料集，接著按 Import & Add to Flow：

按下 tlc_yellow_trips_2015_small 按鈕後，選擇 Add New Recipe：

選擇 Edit Recipe 後，稍等一下就會顯示資料管理圖：

接著我們將 2015 和 2016 的資料做結合，點選上方的 Union 按鈕：

選擇 Add data 後，勾選 2016 年的資料按 Apply，然後選擇 Add to Recipe：

接著我們將日期和時間的行數接在一起作為新的時間戳記，先選到 Merge columns，在 Columns 內填入 pickup_day 和 pickup_time，Separator 內填入一個空格，最後將新的行取名為 pickup_daytime，按下 Add：

再來我們產生一個新的行數是最近一小時內平均的乘客數量，選到 Dates and times -> DATEFORMAT，在 Formula 內填入 DATEFORMAT(pickup_datetime,"yyyyMMddHH") ，行取名為 hour_pickup_daytime，按下Add，可以看到這個操作是 Recipe 3：

為了讓之前時間戳記的格式變成 DATETIME 資料格式，我們把後面的分和秒的位置加上0，選到 Merge columns，在 Columns 內填入 hour_pickup_daytime 和 '0000' ，將新的行取名為 pickup_hour，按下 Add，這個操作是 Recipe 4：

下一步，我們計算前一小時的平均乘客數，選到 Aggregation -> AVERAGE，在 Formula 內填入 AVERAGE(fare_amount) ，Sort rows by pickup_daytime ，Group rows by pickup_hour ，，按下 Add，這個操作是 Recipe 5：

再來我們計算最近3小時內車錢的滾動式平均，選到 Window -> ROLLINGAVERAGE，在 Formula 內填入 ROLLINGAVERAGE(average_fare_amount, 3, 0) ，Sort rows by -pickup_hour ，這邊負號代表遞減的順序，按下 Add，這個操作是 Recipe 6：

都設定好後，在 Recipe 上選 Run job：

點 Edit 修改路徑：

選擇 BigQuery 的 taxi_cab_reporting 後，按 Create a new table：

Table 的設定中，填入名字(tlc_yellow_trips_reporting)，選擇 Drop the table every run，按下 Update：

可以看到 Settings 那邊改變了，按下 Run job：

若要觀察 job，可以按下右邊的 View Dataflow job：

Job detail 面板：

產生資料的過程我們也可以使用 BigQuery 來搶先看一下：

#standardSQL
SELECT
  pickup_hour,
  FORMAT("$%.2f",ROUND(average_3hr_rolling_fare,2)) AS avg_recent_fare,
  ROUND(average_trip_distance,2) AS average_trip_distance_miles,
  FORMAT("%'d",sum_passenger_count) AS total_passengers_by_hour
FROM
  `asl-ml-immersion.demo.nyc_taxi_reporting`
ORDER BY
  pickup_hour DESC;