Memulai dengan Data Wrangler

1. Selesaikan setiap langkahPrasyarat.

2. Ikuti prosedur Akses Data Wrangler untuk mulai menggunakan Data Wrangler.

1. Untuk menggunakan Data Wrangler, Anda memerlukan akses ke instans Amazon Elastic Compute Cloud (AmazonEC2). Untuk informasi selengkapnya tentang EC2 instans Amazon yang dapat Anda gunakan, lihatInstans. Untuk mempelajari cara melihat kuota Anda dan, jika perlu, minta peningkatan kuota, lihat kuota AWS layanan.

2. Konfigurasikan izin yang diperlukan yang dijelaskan dalamKeamanan dan Izin.

3. Jika organisasi Anda menggunakan firewall yang memblokir lalu lintas internet, Anda harus memiliki akses ke yang berikutURLs:

   • 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/

Untuk mengakses Data Wrangler di Studio Classic, lakukan hal berikut.

1. Masuk ke Studio Classic. Untuk informasi selengkapnya, lihat Ikhtisar SageMaker domain Amazon.

2. Pilih Studio.

3. Pilih Luncurkan aplikasi.

4. Dari daftar dropdown, pilih Studio.

5. Pilih ikon Beranda.

6. Pilih Data.

7. Pilih Data Wrangler.

8. Anda juga dapat membuat aliran Data Wrangler dengan melakukan hal berikut.

   1. Di bilah navigasi atas, pilih File.

   2. Pilih Baru.

   3. Pilih Data Wrangler Flow.

   

9. (Opsional) Ganti nama direktori baru dan file.flow.

10. Saat Anda membuat file.flow baru di Studio Classic, Anda mungkin melihat carousel yang memperkenalkan Anda ke Data Wrangler.

    Ini mungkin memakan waktu beberapa menit.

    Pesan ini tetap ada selama KernelGatewayaplikasi di halaman Detail Pengguna Anda Tertunda. Untuk melihat status aplikasi ini, di SageMaker konsol di halaman Amazon SageMaker Studio Classic, pilih nama pengguna yang Anda gunakan untuk mengakses Studio Classic. Pada halaman Detail Pengguna, Anda melihat KernelGatewayaplikasi di bawah Aplikasi. Tunggu hingga status aplikasi ini Siap untuk mulai menggunakan Data Wrangler. Ini bisa memakan waktu sekitar 5 menit saat pertama kali Anda meluncurkan Data Wrangler.

    

11. Untuk memulai, pilih sumber data dan gunakan untuk mengimpor dataset. Lihat Impor untuk mempelajari selengkapnya.

    Saat Anda mengimpor kumpulan data, itu muncul di aliran data Anda. Untuk mempelajari selengkapnya, lihat Membuat dan Menggunakan Data Wrangler Flow.

12. Setelah Anda mengimpor dataset, Data Wrangler secara otomatis menyimpulkan jenis data di setiap kolom. Pilih + di samping langkah Jenis data dan pilih Edit tipe data.

    penting

    Setelah menambahkan transformasi ke langkah Tipe data, Anda tidak dapat memperbarui jenis kolom secara massal menggunakan jenis Perbarui.

13. Gunakan aliran data untuk menambahkan transformasi dan analisis. Untuk mempelajari lebih lanjut lihat Transformasi Data danAnalisis dan Visualisasikan.

14. Untuk mengekspor aliran data lengkap, pilih Ekspor dan pilih opsi ekspor. Untuk mempelajari selengkapnya, lihat Ekspor.

15. Terakhir, pilih ikon Components and registries, dan pilih Data Wrangler dari daftar dropdown untuk melihat semua file.flow yang telah Anda buat. Anda dapat menggunakan menu ini untuk menemukan dan berpindah antar aliran data.

Impor dataset Titanic ke Data Wrangler

1. Pilih tombol Impor data di tab Aliran data Anda atau pilih tab Impor.

2. Pilih Amazon S3.

3. Gunakan tabel Impor kumpulan data dari S3 untuk menemukan bucket tempat Anda menambahkan kumpulan data Titanic. Pilih CSV file dataset Titanic untuk membuka panel Detail.

4. Di bawah Detail, tipe File seharusnyaCSV. Periksa Baris pertama adalah header untuk menentukan bahwa baris pertama dari dataset adalah header. Anda juga dapat memberi nama kumpulan data dengan sesuatu yang lebih ramah, sepertiTitanic-train.

5. Pilih tombol Impor.

1. Pilih + di sebelah langkah Tipe data dalam aliran data Anda dan pilih Tambahkan analisis.

2. Di area Analisis, pilih Ringkasan tabel dari daftar dropdown.

3. Berikan ringkasan tabel sebuah Nama.

4. Pilih Pratinjau untuk melihat pratinjau tabel yang akan dibuat.

5. Pilih Simpan untuk menyimpannya ke aliran data Anda. Itu muncul di bawah Semua Analisis.

Untuk menjatuhkan kolom yang tidak digunakan.

1. Buka alur Data Wrangler.

2. Ada dua node dalam aliran Data Wrangler Anda. Pilih + di sebelah kanan node tipe Data.

3. Pilih Tambahkan transformasi.

4. Di kolom Semua langkah, pilih Tambahkan langkah.

5. Dalam daftar Transformasi standar, pilih Kelola Kolom. Transformasi standar sudah jadi, transformasi bawaan. Pastikan kolom Drop dipilih.

6. Di bawah Kolom untuk dijatuhkan, periksa nama kolom berikut:

   • kabin

   • karcis

   • name

   • sibsp

   • parch

   • rumah.dest

   • perahu

   • body

7. Pilih Pratinjau.

8. Verifikasi bahwa kolom telah dijatuhkan, lalu pilih Tambah.

1. Di kolom Semua langkah, pilih Tambahkan langkah.

2. Dalam daftar Custom transform, pilih Custom transform.

3. Berikan nama untuk transformasi Anda, dan pilih Python (Pandas) dari daftar dropdown.

4. Masukkan skrip Python berikut di kotak kode.

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

5. Pilih Pratinjau untuk melihat pratinjau perubahan, lalu pilih Tambah untuk menambahkan transformasi.

1. Pilih Handle hilang.

2. Pilih Drop missing untuk Transformer.

3. Pilih usia untuk kolom Input.

4. Pilih Pratinjau untuk melihat bingkai data baru, lalu pilih Tambah untuk menambahkan transformasi ke alur Anda.

5. Ulangi proses yang sama untuk ongkos.

1. Di bagian Custom Transform, pilih Python (Pandas) dari daftar dropdown.

2. Masukkan yang berikut ini di kotak kode.

   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. Pilih Pratinjau untuk melihat pratinjau perubahan. Versi yang dikodekan dari setiap kolom ditambahkan ke kumpulan data.

4. Pilih Tambah untuk menambahkan transformasi.

1. Di bagian Custom Transform, pilih SQL(PySpark SQL) dari daftar dropdown.

2. Masukkan yang berikut ini di kotak kode.

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

3. Pilih Pratinjau untuk melihat pratinjau perubahan. Kolom yang tercantum dalam SELECT pernyataan Anda adalah satu-satunya kolom yang tersisa.

4. Pilih Tambah untuk menambahkan transformasi.

1. Simpan aliran data Anda. Pilih File dan kemudian pilih Save Data Wrangler Flow.

2. Kembali ke tab Aliran Data, pilih langkah terakhir dalam aliran data Anda (SQL), lalu pilih + untuk membuka navigasi.

3. Pilih Ekspor, dan Amazon S3 (melalui Jupyter Notebook). Ini membuka Notebook Jupyter.

   

4. Pilih kernel Python 3 (Data Science) untuk Kernel.

5. Saat kernel dimulai, jalankan sel di buku catatan hingga Kick off SageMaker Training Job (Opsional).

6. Secara opsional, Anda dapat menjalankan sel di Kick off SageMaker Training Job (Opsional) jika Anda ingin membuat pekerjaan SageMaker pelatihan untuk melatih XGBoost pengklasifikasi. Anda dapat menemukan biaya untuk menjalankan pekerjaan SageMaker pelatihan di Amazon SageMaker Pricing.

   Atau, Anda dapat menambahkan blok kode yang ditemukan di XGBoostPengklasifikasi Pelatihan buku catatan dan menjalankannya untuk menggunakan pustaka sumber XGBoostterbuka untuk melatih XGBoost pengklasifikasi.

7. Hapus komentar dan jalankan sel di bawah Pembersihan dan jalankan untuk mengembalikan SageMaker Python SDK ke versi aslinya.

1. Pertama, tingkatkan modul yang diperlukan menggunakan pip dan hapus SUCCESS file _ (file terakhir ini bermasalah saat menggunakanawswrangler).

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

2. Baca data dari Amazon S3. Anda dapat menggunakan awswrangler untuk membaca semua CSV file dalam awalan S3 secara rekursif. Data kemudian dibagi menjadi fitur dan label. Label adalah kolom pertama dari kerangka data.

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

   • Terakhir, buat DMatrices (struktur XGBoost primitif untuk data) dan lakukan validasi silang menggunakan klasifikasi biner. 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)