Introducción a Data Wrangler

1. Complete cada paso en Requisitos previos.

2. Siga el procedimiento indicado en Acceso a Data Wrangler para empezar a utilizar Data Wrangler.

1. Para utilizar Data Wrangler, necesita tener acceso a una instancia de Amazon Elastic Compute Cloud (Amazon EC2). Para obtener más información acerca de las instancias de Amazon EC2 que puede utilizar, consulte instancias. Para obtener información sobre cómo ver sus cuotas y, si es necesario, solicitar un aumento de cuota, consulte AWS service quotas.

2. Configure los permisos requeridos descritos en Seguridad y permisos.

3. Si su organización utiliza un firewall que bloquea el tráfico de Internet, debe tener acceso a las siguientes direcciones URL:

   • https://ui.prod-1.data-wrangler.sagemaker.aws/

   • https://ui.prod-2.data-wrangler.sagemaker.aws/

   • https://ui.prod-3.data-wrangler.sagemaker.aws/

   • https://ui.prod-4.data-wrangler.sagemaker.aws/

Para acceder a Data Wrangler en Studio Classic, haga lo siguiente.

1. Inicie sesión en Studio Classic. Para obtener más información, consulte Descripción general del dominio de Amazon SageMaker.

2. Elija Studio.

3. Elija Lanzar aplicación.

4. En la lista desplegable, seleccione Studio.

5. Elija el icono Inicio.

6. Elija Datos.

7. Elija Data Wrangler.

8. También puede crear un flujo de Data Wrangler de la siguiente manera.

   1. En la barra de navegación superior, seleccione Archivo.

   2. Seleccione Nueva.

   3. Seleccione Flujo de Data Wrangler.

   

9. De forma opcional, puede cambiar el nombre del nuevo directorio y del archivo .flow.

10. Al crear un nuevo archivo .flow en Studio Classic, es posible que vea un carrusel que le presenta Data Wrangler.

    Puede que tarde unos minutos.

    Este mensaje persiste mientras la aplicación KernelGateway de la página Detalles del usuario esté Pendiente. Para ver el estado de esta aplicación, en la consola de SageMaker de la página Amazon SageMaker Studio Classic, seleccione el nombre del usuario que utiliza para acceder a Studio Classic. En la página Detalles del usuario, verá una aplicación KernelGateway en Aplicaciones. Espere hasta que el estado de la aplicación sea Listo para empezar a usar Data Wrangler. Esto puede tardar unos 5 minutos la primera vez que inicie Data Wrangler.

    

11. Para empezar, elija un origen de datos y úsela para importar un conjunto de datos. Consulte Importación para obtener más información.

    Al importar un conjunto de datos, aparece en el flujo de datos. Para obtener más información, consulte Creación y uso de un flujo de Data Wrangler.

12. Después de importar un conjunto de datos, Data Wrangler infiere automáticamente el tipo de datos de cada columna. Seleccione + junto al paso Tipos de datos y seleccione Editar tipos de datos.

    importante

    Después de añadir las transformaciones al paso Tipos de datos, no puede realizar una actualización masiva de los tipos de columnas mediante la opción Actualizar tipos.

13. Utilice el flujo de datos para añadir transformaciones y análisis. Para obtener más información, consulte Datos de transformación y Análisis y visualización.

14. Para exportar un flujo de datos completo, elija Exportar y elija una opción de exportación. Para obtener más información, consulte Exportar.

15. Por último, elija el icono Componentes y registros y seleccione Data Wrangler en la lista desplegable para ver todos los archivos .flow que ha creado. Puede utilizar este menú para buscar flujos de datos y moverse entre ellos.

Importación del conjunto de datos del Titanic a Data Wrangler

1. Elija el botón Importar datos en la pestaña Flujo de datos o elija la pestaña Importar.

2. Seleccione Amazon S3.

3. Use la tabla Importar un conjunto de datos de S3 para buscar el bucket en el que agregó el conjunto de datos del Titanic. Elija el archivo CSV del conjunto de datos del Titanic para abrir el panel Detalles.

4. En Detalles, el Tipo de archivo debe ser CSV. Marque la Primera fila es el encabezado para especificar que la primera fila del conjunto de datos es un encabezado. También puede asignar al conjunto de datos un nombre más descriptivo, como Titanic-train.

5. Elija el botón Importar.

1. Seleccione el signo + situado junto al paso Tipo de datos del flujo de datos y seleccione Agregar análisis.

2. En el área Análisis, seleccione Tabla de resumen en la lista desplegable.

3. Asigne un nombre a la tabla de resumen.

4. Seleccione Vista previa para obtener una vista previa de la tabla que se va a crear.

5. Elija Guardar para guardarla en su flujo de datos. Aparece en Todos los análisis.

Para eliminar las columnas sin utilizar.

1. Abra el flujo de Data Wrangler.

2. Hay dos nodos en el flujo de Data Wrangler. Seleccione el signo + situado a la derecha del nodo Tipos de datos.

3. Seleccione Agregar transformación.

4. En la columna Todos los pasos, seleccione Agregar paso.

5. En la lista de transformaciones Estándar, elija Administrar columnas. Las transformaciones estándar son transformaciones integradas y listas para usar. Asegúrese de que esté seleccionado Eliminar columna.

6. En Columnas a eliminar, marque los siguientes nombres de columna:

   • cabin

   • ticket

   • name

   • sibsp

   • parch

   • home.dest

   • boat

   • body

7. Seleccione Preview (Versión preliminar).

8. Compruebe que se hayan eliminado las columnas y, a continuación, pulse Agregar.

1. En la columna Todos los pasos, seleccione Agregar paso.

2. En la lista de transformación Personalizada, elija Transformación personalizada.

3. Proporcione un nombre para la transformación y elija Python (Pandas) en la lista desplegable.

4. Introduzca el siguiente script de Python en el cuadro de código.

   cols = ['name', 'ticket', 'cabin', 'sibsp', 'parch', 'home.dest','boat', 'body']
   df = df.drop(cols, axis=1)

5. Elija Vista previa para obtener una vista previa del cambio y, a continuación, elija Agregar para agregar la transformación.

1. Elija Manejo de ausentes.

2. Elija Eliminar ausentes para el Transformador.

3. Elija age de la Columna de entrada.

4. Elija Vista previa para ver el nuevo marco de datos y, a continuación, elija Agregar para agregar la transformación a su flujo.

5. Repita el mismo proceso para fare.

1. En la sección Transformación personalizada, elija Python (Pandas) en la lista desplegable.

2. Introduzca lo siguiente en el cuadro de código.

   import pandas as pd
   
   dummies = []
   cols = ['pclass','sex','embarked']
   for col in cols:
       dummies.append(pd.get_dummies(df[col]))
       
   encoded = pd.concat(dummies, axis=1)
   
   df = pd.concat((df, encoded),axis=1)

3. Seleccione Vista previa para obtener una vista previa del cambio. La versión codificada de cada columna se añade al conjunto de datos.

4. Elija Agregar para agregar la transformación.

1. En la sección Transformación personalizada, elija SQL (PySpark SQL) en la lista desplegable.

2. Introduzca lo siguiente en el cuadro de código.

   SELECT survived, age, fare, 1, 2, 3, female, male, C, Q, S FROM df;

3. Seleccione Vista previa para obtener una vista previa del cambio. Las columnas que aparecen en la instrucción SELECT son las únicas columnas restantes.

4. Elija Agregar para agregar la transformación.

1. Guarde el flujo de datos. Seleccione Archivo y, a continuación, seleccione Guardar flujo de Data Wrangler.

2. Vuelva a la pestaña Flujo de datos, seleccione el último paso del flujo de datos (SQL) y, a continuación, elija el signo + para abrir la navegación.

3. Elija Exportar y Amazon S3 (a través del cuaderno de Jupyter). Esto abrirá un cuaderno de Jupyter.

   

4. Elija cualquier kernel de Python 3 (ciencia de datos) para Kernel.

5. Cuando se inicie el kernel, ejecute las celdas del cuaderno hasta el Inicio del trabajo de entrenamiento de SageMaker (opcional).

6. Si lo desea, puede ejecutar las celdas en Inicio del trabajo de entrenamiento de SageMaker (opcional) si desea crear un trabajo de entrenamiento de SageMaker para entrenar un clasificador XGBoost. Encontrará el costo de realizar un trabajo de entrenamiento de SageMaker en Precios de Amazon SageMaker.

   Como alternativa, puede agregar los bloques de código que se encuentran en Clasificador XGBoost de entrenamiento al cuaderno y ejecutarlos para utilizar la biblioteca de código abierto de XGBoost para entrenar un clasificador XGBoost.

7. Elimine los comentarios y ejecute la celda en Eliminación y ejecútela para revertir el SageMaker Python SDK a su versión original.

1. En primer lugar, actualice los módulos necesarios mediante pip y elimine el archivo _SUCCESS (este último archivo es problemático cuando se utiliza awswrangler).

   ! pip install --upgrade awscli awswrangler boto sklearn
   ! aws s3 rm {output_path} --recursive  --exclude "*" --include "*_SUCCESS*"

2. Lea los datos de Amazon S3. Puede utilizar awswrangler para leer de forma recursiva todos los archivos CSV en el prefijo S3. A continuación, los datos se dividen en características y etiquetas. La etiqueta es la primera columna del marco de datos.

   import awswrangler as wr
   
   df = wr.s3.read_csv(path=output_path, dataset=True)
   X, y = df.iloc[:,:-1],df.iloc[:,-1]

   • Por último, cree DMatrices (la estructura primitiva de datos de XGBoost) y realice una validación cruzada utilizando la clasificación binaria de XGBoost.

     import xgboost as xgb
     
     dmatrix = xgb.DMatrix(data=X, label=y)
     
     params = {"objective":"binary:logistic",'learning_rate': 0.1, 'max_depth': 5, 'alpha': 10}
     
     xgb.cv(
         dtrain=dmatrix, 
         params=params, 
         nfold=3,
         num_boost_round=50,
         early_stopping_rounds=10,
         metrics="rmse", 
         as_pandas=True, 
         seed=123)