データサイエンス100本ノック（構造化データ加工編） No1~40までをSQLで書いてみて

ウェザーニューズ社内のML技術情報共有会

Transcript

1. データサイエンス100本ノック（構造化データ加工編）　 No1~40までをSQLで書いてみて 　 Machine learning 技術情報共有会 Takumu Wakamatsu Date 2022.06.21
2. 取り組んだ理由 最近仕事でGoogle Data portalを活用した案件を担当 ➢ Data portalとの連携上、Google Big Queryを活用する機会も増えた ➢ pythonに比べ使いやすいケースも結構ある ➢ その一方、複雑な処理になると、コーディングが難しい • SQLの練習ができつつも、その他の言語との比較をして、適切なタイミング でBig Queryを使えるようになりたい！
3. 本書に関して 2020年にデータサイエンティスト協会 が、GitHub上に公開 2022年の1月にソシム社から「データサ イエンス100本ノック構造化データ加工編ガイ ドブックが発売され、こちらを購入し て、実施中 https://digitalpr.jp/r/39499
4. 構成と進捗 https://github.com/The-Japan-DataScientist-Society/100knocks-preprocess/blob/master/docker/doc/100knocks_guide.pdf 6/12（日）から初めて、１〜４０まで実施（No７の途中まで、疲れてできない日もあり） →SQLのみで実施（解答見るときに、pythonコードもたまにみてる）
5. 構築したい方は以下で https://github.com/The-Japan-DataScientist-Society/100knocks -preprocess/blob/master/docker/doc/100knocks_guide.pdf
6. 実際やってみて
7. 感想 • 基礎統計量（最大、平均とか）をサクッと出す分には、SQLの方が書きやすい • 一方、複雑な結合とかに当たると、SQLの場合サブクエリが長くなったり、連 携がやりにくかったりするので、記述量が多くなるので、python（で実装され ているpandasの処理）の方が良さげ • 趣味程度にやる分だと、楽しい • Dockerの環境に触れられるので、知見が広がった
8. SQLが楽な場合 SQL python S-024: レシート明細データ（receipt）に対し、顧客ID（customer_id）ごとに最も新しい売上年月日（sales_ymd）を求め、10件表示せよ。
9. SQLが面倒な場合 SQL python P-038: 顧客データ（df_customer）とレシート明細データ（df_receipt）から、顧客ごとの売上金額合計を求め、10件表示せよ。ただし、売上実績がない 顧客については売上金額を0として表示させること。また、顧客は性別コード（gender_cd）が女性（1）であるものを対象とし、非会員（顧客IDが"Z"から 始まるもの）は除外すること。
10. 今後に関して 本書に関して • 6月末を目処に、SQLに関して、100問全てやり切るのを目標 • 実務で使える場面も多いので、サンプルコードで蓄積しておきたい（特に基 礎統計量のあたりとかは） • 暇なので、オラクルのSQLがらみの検定とかは受けてみたい（ただし、お金が高 い）
11. 実務で使いたい方（参考） データベースの構築は厳しいと思うので、 Google Big Queryが個人的にはオススメ • csvがローカルからのアップロードが可能 な他、S３やドライブからもアップロード 可能 • 社内だと、csvデータの処理が現状多いで すが、サクッとデータ切り出したい時は pythonよりは楽（と思う） ◦ ただしカラム表記が日本語対応していないの が、欠点 uery-create-table-by-local-file-upload/