Sari la conținutul principal

course

Cleaning Data with PySpark

AvansatNivel de calificare

Actualizat 02.2026

Learn how to clean data with Apache Spark in Python.

Începeți Cursul Gratuit

SparkData Preparation4 oră16 videos53 exercises4,150 XP32,829Declarație de realizare

Creează-ți contul gratuit

sau

Continuând, acceptați Termenii și condițiile de utilizare, Politica de confidențialitate și faptul că datele dvs. sunt stocate în SUA.

Îndrăgit de cursanți din mii de companii

Instruirea a 2 sau mai multe persoane?

Încercați DataCamp for Business

Descrierea cursului

Working with data is tricky - working with millions or even billions of rows is worse. Did you receive some data processing code written on a laptop with fairly pristine data? Chances are you’ve probably been put in charge of moving a basic data process from prototype to production. You may have worked with real world datasets, with missing fields, bizarre formatting, and orders of magnitude more data. Even if this is all new to you, this course helps you learn what’s needed to prepare data processes using Python with Apache Spark. You’ll learn terminology, methods, and some best practices to create a performant, maintainable, and understandable data processing platform.

Cerințe preliminare

Intermediate Python Introduction to PySpark

1

DataFrame details

A review of DataFrame fundamentals and the importance of data cleaning.

Intro to data cleaning with Apache Spark

Data cleaning review

Defining a schema

Immutability and lazy processing

Immutability review

Using lazy processing

Understanding Parquet

Saving a DataFrame in Parquet format

SQL and Parquet

Începeți Capitolul

2

Manipulating DataFrames in the real world

A look at various techniques to modify the contents of DataFrames in Spark.

DataFrame column operations

Filtering column content with Python

Filtering Question #1

Filtering Question #2

Modifying DataFrame columns

Conditional DataFrame column operations

when() example

When / Otherwise

User defined functions

Understanding user defined functions

Using user defined functions in Spark

Partitioning and lazy processing

Adding an ID Field

IDs with different partitions

More ID tricks

Începeți Capitolul

3

Improving Performance

Improve data cleaning tasks by increasing performance or reducing resource requirements.

Caching a DataFrame

Removing a DataFrame from cache

Improve import performance

File size optimization

File import performance

Cluster configurations

Reading Spark configurations

Writing Spark configurations

Performance improvements

Normal joins

Using broadcasting on Spark joins

Comparing broadcast vs normal joins

Începeți Capitolul

4

Complex processing and data pipelines

Learn how to process complex real-world data using Spark and the basics of pipelines.

Introduction to data pipelines

Quick pipeline

Pipeline data issue

Data handling techniques

Removing commented lines

Removing invalid rows

Splitting into columns

Further parsing

Data validation

Validate rows via join

Examining invalid rows

Final analysis and delivery

Dog parsing

Per image count

Percentage dog pixels

Congratulations and next steps

Începeți Capitolul

Cleaning Data with PySpark

Curs
finalizat

Obțineți o Declarație de Realizări

Adaugă aceste acreditări la profilul, CV-ul sau profilul tău LinkedIn
Distribuie-l pe rețelele sociale și în evaluarea performanței taleÎnscrie-te Acum

Alătură-te 19 milioane de cursanți și începe Cleaning Data with PySpark chiar azi!

Creează-ți contul gratuit

sau

Continuând, acceptați Termenii și condițiile de utilizare, Politica de confidențialitate și faptul că datele dvs. sunt stocate în SUA.

Dezvoltați-vă abilitățile de gestionare a datelor cu DataCamp pentru mobil

Fă progrese din mers cu cursurile noastre mobile și provocările zilnice de programare de 5 minute.