はじめに：ノートブックからCSVデータをインポートして可視化する

この記事では、Databricks ノートブックを使用して、 health.data.ny.govの赤ちゃんの名前データを含む CSV ファイルから、Python、Scala、R を使用して Unity Catalog ボリュームにデータをインポートする方法について説明します。 また、列名の変更、データの視覚化、およびテーブルへの保存についても学習します。

要件

この記事のタスクを完了するには、次の要件を満たす必要があります。

• ワークスペースでUnity Catalog が有効になっている必要があります。 Unity Catalogの使用開始に関する情報については、 Unity Catalogのセットアップと管理」を参照してください。

• 既存のコンピュート リソースを使用するか、新しいコンピュート リソースを作成するには、権限が必要です。 「はじめに: アカウントとワークスペースのセットアップ」を参照するか、Databricks 管理者に問い合わせてください。

ヒント

この記事の完成したノートブックについては、 「データ ノートブックのインポートと視覚化」を参照してください。

ステップ1：新しいノートブックを作成する

ワークスペースにノートブックを作成するには、サイドバーで [新規作成] をクリックし、[ノートブック] をクリックします。空白のノートブックがワークスペースで開きます。

ノートブックの作成と管理の詳細については、「ノートブックの管理」を参照してください。

ステップ2：変数を定義する

このステップでは、この記事で作成するノートブックの例で使用する変数を定義します。

1. 次のコードをコピーして、新しい空のノートブック セルに貼り付けます。 <catalog-name>、<schema-name>、および <volume-name> をUnity Catalogボリュームのカタログ名、スキーマ名、およびボリューム名に置き換えます。 <table_name> を任意のテーブル名に置き換えます。赤ちゃんの名前のデータは、この記事の後半でこのテーブルに保存します。

2. Shift+Enterを押すとセルが実行され、新しい空白のセルが作成されます。

   catalog = "<catalog_name>"
   schema = "<schema_name>"
   volume = "<volume_name>"
   download_url = "https://health.data.ny.gov/api/views/jxy9-yhdk/rows.csv"
   file_name = "baby_names.csv"
   table_name = "baby_names"
   path_volume = "/Volumes/" + catalog + "/" + schema + "/" + volume
   path_table = catalog + "." + schema
   print(path_table) # Show the complete path
   print(path_volume) # Show the complete path
   

   val catalog = "<catalog_name>"
   val schema = "<schema_name>"
   val volume = "<volume_name>"
   val downloadUrl = "https://health.data.ny.gov/api/views/jxy9-yhdk/rows.csv"
   val fileName = "baby_names.csv"
   val tableName = "baby_names"
   val pathVolume = s"/Volumes/${catalog}/${schema}/${volume}"
   val pathTable = s"${catalog}.${schema}"
   print(pathVolume) // Show the complete path
   print(pathTable) // Show the complete path
   

   catalog <- "<catalog_name>"
   schema <- "<schema_name>"
   volume <- "<volume_name>"
   download_url <- "https://health.data.ny.gov/api/views/jxy9-yhdk/rows.csv"
   file_name <- "baby_names.csv"
   table_name <- "baby_names"
   path_volume <- paste("/Volumes/", catalog, "/", schema, "/", volume, sep = "")
   path_table <- paste(catalog, ".", schema, sep = "")
   print(path_volume) # Show the complete path
   print(path_table) # Show the complete path
   

ステップ 3: CSVファイルをインポートする

このステップでは、CSV health.data.ny.gov から赤ちゃんの名前データを含む ファイルをUnity Catalog ボリュームにインポートします。

1. 次のコードをコピーして、新しい空のノートブック セルに貼り付けます。 このコードは 、Databricks dbutils rows.csvコマンドを使用して、 health.data.ny.gov からUnity Catalog ボリュームに ファイルをコピーします。

2. Shift+Enterを押してセルを実行し、次のセルに移動します。

   dbutils.fs.cp(f"{download_url}", f"{path_volume}" + "/" + f"{file_name}")
   

   dbutils.fs.cp(downloadUrl, s"${pathVolume}/${fileName}")
   

   dbutils.fs.cp(download_url, paste(path_volume, "/", file_name, sep = ""))
   

ステップ4：DataFrameにCSVデータを読み込む

このステップでは、spark.read.csvメソッドを使用して、以前にUnity CatalogボリュームにロードしたCSVファイルからdfという名前のDataFrameを作成します。

1. 次のコードをコピーして、新しい空のノートブックセルに貼り付けます。このコードは、CSVファイルからDataFrame「df」に赤ちゃんの名前データをロードします。

2. Shift+Enterを押してセルを実行し、次のセルに移動します。

   df = spark.read.csv(f"{path_volume}/{file_name}",
     header=True,
     inferSchema=True,
     sep=",")
   

   val df = spark.read
       .option("header", "true")
       .option("inferSchema", "true")
       .option("delimiter", ",")
       .csv(s"${pathVolume}/${fileName}")
   

   # Load the SparkR package that is already preinstalled on the cluster.
   library(SparkR)
   
   df <- read.df(paste(path_volume, "/", file_name, sep=""),
     source="csv",
     header = TRUE,
     inferSchema = TRUE,
     delimiter = ",")
   

サポートされている様々なファイル形式からデータを読み込むことができます。

ステップ5：ノートブックからデータを可視化する

このステップでは、display()メソッドを使用してDataFrameの内容をノートブックのテーブルに表示し、ノートブックのワードクラウドチャートでデータを可視化します。

1. 次のコードをコピーして、新しい空のノートブックのセルに貼り付け、[セルを実行] をクリックしてデータをテーブルに表示します。

   display(df)
   

   display(df)
   

   display(df)
   

2. テーブルの結果を確認します。

3. [テーブル] タブの横にある [+] をクリックし、[ビジュアライゼーション] をクリックします。

4. 可視化エディタで、[ビジュアライゼーションの種類] をクリックし、[ワードクラウド] が選択されていることを確認します。

5. [単語列] で [First Name] が選択されていることを確認します。

6. [頻度制限] で [35] をクリックします。

   

7. [保存]をクリックします。

ステップ6：DataFrameをテーブルに保存する

重要

DataFrame を Unity Catalog に保存するには、カタログとスキーマに対するCREATEテーブル権限が必要です。 Unity Catalogの権限に関する情報については、 「 Unity Catalogの権限とセキュリティ保護可能なオブジェクト」およびUnity Catalogの権限の管理」を参照してください。

1. 次のコードをコピーして、ノートブックの空のセルに貼り付けます。このコードは、列名のスペースを置き換えます。スペースなどの特殊文字は、列名には使用できません。このコードはApache Spark「withColumnRenamed()」メソッドを使用します。

   df = df.withColumnRenamed("First Name", "First_Name")
   df.printSchema
   

   val dfRenamedColumn = df.withColumnRenamed("First Name", "First_Name")
   // when modifying a DataFrame in Scala, you must assign it to a new variable
   dfRenamedColumn.printSchema()
   

   df <- withColumnRenamed(df, "First Name", "First_Name")
   printSchema(df)
   

2. 次のコードをコピーして、ノートブックの空のセルに貼り付けます。このコードは、この記事の冒頭で定義したテーブル名変数を使用して、DataFrameの内容をUnity Catalogのテーブルに保存します。

   df.write.mode("overwrite").saveAsTable(f"{path_table}" + "." + f"{table_name}")
   

   dfRenamedColumn.write.mode("overwrite").saveAsTable(s"${pathTable}.${tableName}")
   

   saveAsTable(df, paste(path_table, ".", table_name), mode = "overwrite")
   

3. テーブルが保存されたことを確認するには、左のサイドバーで [カタログ] をクリックして、カタログエクスプローラーUIを開きます。カタログを開き、スキーマを開いてテーブルが表示されていることを確認します。

4. テーブルをクリックすると、[概要] タブにテーブルスキーマが表示されます。

5. [サンプルデータ] をクリックすると、テーブルから100行のデータが表示されます。

データノートブックをインポートして可視化する

以下のノートブックのいずれかを使用して、この記事のステップを実行してください。

Pythonを使用してCSVからデータをインポートする

ノートブックを新しいタブで開く インポート用のリンクをコピー

Scalaを使用してCSVからデータをインポートする

ノートブックを新しいタブで開く インポート用のリンクをコピー

Rを使用してCSVからデータをインポートする

ノートブックを新しいタブで開く インポート用のリンクをコピー

次のステップ

• CSVファイルから既存のテーブルにデータを追加する方法については、「はじめに：追加データを取り込んで挿入する」を参照してください。

• データのクレンジングと拡張の詳細については、「はじめに：データの拡張とクレンジング」を参照してください。

関連リソース

• はじめに：ノートブックからデータを照会して可視化する

• チュートリアル：Apache Spark DataFramesを使用したデータの読み込みと変換