Glue DataBrewでデータを クリーニング、加⼯してみよう 2021/10/7 データアナリティクス事業本部 須藤 健志

2 ⾃⼰紹介 須藤 健志（suto takeshi） 所属 データアナリティクス事業本部 『データ分析基盤や機械学習基盤のコンサル・構築を担当』 略歴 通信事業会社のNWエンジニア→メーカー系SIer →クラスメソッドJoin（2020年4⽉） 好きなAWSサービス AWS CDK、Glue DataBrew、SageMaker

3 アジェンダ • はじめに • Glue Databrewの概要 • Glue Databrewの機能と特徴 • Glue Databrewの使いどころ • デモ • まとめ

4 はじめに データ分析・機械学習の前に⾏う 「データクレンジング」

5 はじめに •こんなことありませんか︖ • 誤記や表記ゆれがあり前処理がうまくいかない • 重複しているデータがある、⽋損値がある • エラーが発⽣してデータを取り込めない

6 はじめに データのクレンジングが必要 ⽋損の修正 重複データの削除 正規化・標準化 無関係なデータの削除や マスキング

7 はじめに しかしデータクレンジングには 時間とコストがかかる • ワークフローの構築とその⾃動化 • システム間で⼤容量データの移動

8 Glue DataBrewとは コードを記述せずに データのクリーンアップおよび正規化ができる ビジュアルデータ準備ツール AWSマネージドサービス （サーバレスで使える）

9 Glue DataBrewとは 主な機能 250種類以上の変換処理 • プレビューで変換前と変換後を⽐べながら処理を作成

10 Glue DataBrewとは 主な機能 ワークフローの⾃動化 • ジョブの実⾏をスケジューリングできる

11 Glue DataBrewとは 主な機能 データリネージの視覚化 • データが通過した様々なデータソースと変換ステップをビジュアルで確認

12 Glue DataBrewとは 主な機能 データプロファイリング • データの相関関係や統計をわかりやすく表⽰

13 Glue DataBrewとは サポートしているファイルタイプ 【⼊⼒ファイル】 • CSV • Parquet • Json • Excel 【区切り⽂字】 • カンマ（,） • コロン（:） • セミコロン（:） • パイプ（|） • タブ（¥t） • キャレット（^） • バックスラッシュ（＼） • スペース 【圧縮タイプ】 • なし • Snappy • Gzip • LZ4 • Bzip2 • Deflate • Brotli 【出⼒ファイル】 • CSV • Parquet • Glue Parquet • AVRO • ORC • XML • Json • Tableau Hyper

14 Glue DataBrewとは 指定できるデータソース、出⼒先も充実してきた 【データソース】 • Amazon S3 • Amazon Redshift • Glueデータカタログ （S3、Redshift、RDS、Lake Formation） • Snowflake • その他データベース （JDBC接続経由） • サードパーティデータ （AWS Data Exchange またはAmazon AppFlow経由） 【出⼒先】 • Amazon S3 • Amazon Redshift • Glueデータカタログ （S3、Redshift、RDS 、Lake Formation ） • Snowflake • その他データベース （JDBC接続経由）

15 Glue DataBrewの料⾦ インタラクティブセッション（1.0$/30分） • プロジェクト画⾯を開くとセッション開始 • 未操作の時間が続けば⾃動でサスペンド • はじめてDataBrewを使う場合、最初の40セッションは無償 ジョブ実⾏（0.48$/ノード/時間） • ジョブ実⾏に使⽤されたノード数に基づいて1時間ごとに課⾦ • デフォルトでは各ジョブに5ノード割り当て • 1ノード4vCPUs、16GBメモリ

16 Glue DataBrewの使いどころ 主なユースケース • データをアドホックに探索して BIレポートやデータマートの作成に向けた策定 • 定常的かつ簡単なデータクリーニング処理を⾃動化したい • データ準備処理のためのパイプラインを コーディングレスで構築したい

17 Glue DataBrewの使いどころ （技術的に可能だが）DataBrewには向かないケース • 複雑なETL処理 →実現に膨⼤なステップ数となるため • 機械学習における特徴量計算 • データ分析における複数テーブルからの統計処理 →エンジニアからすればコード開発した⽅がラク • データ前処理⼯程を1つのサーバ内で⼀貫して素早く処理したい • Glue Databrewジョブの実⾏完了には時間がかかる • 同じ処理をコードで実⾏した⽅が早い

18 ここから実際の画⾯でデモをやっていきます 内容︓DataBrewプロジェクト作成〜レシピ作成〜ジョブ実⾏をやってみよう 使⽤するデータ︓Titanicの機械学習⽤データ （以下URLからダウンロードして、S3バケットに保存した状態からスタートします） https://www.kaggle.com/c/titanic/data

19 まとめ データクリーニング、正規化に使えるGlue DataBrew • サーバレスかつコードを書かずにデータ処理のジョブを作成で きるので構築に⼿間がかからない • プレビューで変換前／後を確認しながら様々な処理ができる • データをアドホックに探索しながらワークフローを作るのに有 ⽤だが、複雑なETL処理の実装には向かない

No content