開始使用 Data Wrangler

1. 完成必要條件中的每個步驟。

2. 按照存取 Data Wrangler中的程序開始使用 Data Wrangler。

1. 若要使用 Data Wrangler，您需要存取 Amazon Elastic Compute Cloud （Amazon EC2） 執行個體。如需有關您可以使用之 Amazon EC2執行個體的詳細資訊，請參閱 執行個體。要了解如何查看配額，並在必要時請求增加配額，請參閱AWS 服務配額。

2. 設定安全與許可中描述的必要許可。

3. 如果您的組織使用封鎖網際網路流量的防火牆，您必須具有下列 的存取權URLs：

   • 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/

若要在 Studio Classic 中存取 Data Wrangler，請執行下列動作。

1. 登入 Studio Classic。如需詳細資訊，請參閱Amazon SageMaker 網域概觀。

2. 選擇Studio。

3. 選擇啟動應用程式。

4. 從下拉式清單中選取 Studio。

5. 選擇首頁圖示。

6. 選擇資料。

7. 選擇 Data Wrangler。

8. 您也可以執行下列動作來建立 Data Wrangler 流程。

   1. 在頂端導覽列中，選取 檔案。

   2. 選取新的。

   3. 選取Data Wrangler 流程。

   

9. (選用) 重新命名新目錄和 .flow 檔案。

10. 當您在 Studio Classic 中建立新的 .flow 檔案時，您可能會看到一個輪跳功能，向您介紹 Data Wrangler。

    這可能需要幾分鐘的時間。

    只要使用者詳細資訊頁面上KernelGateway的應用程式為待定，此訊息就會持續存在。若要查看此應用程式的狀態，請在 Amazon SageMaker Studio Classic 頁面上的 SageMaker 主控台中，選取您用來存取 Studio Classic 的使用者名稱。在使用者詳細資訊頁面上，您會在KernelGateway應用程式 下看到應用程式。等到此應用程式狀態為就緒，開始使用 Data Wrangler。第一次啟動 Data Wrangler 時，大約需要 5 分鐘的時間。

    

11. 若要開始使用，請選擇資料來源並使用它來匯入資料集。如需進一步了解，請參閱匯入。

    匯入資料集時，資料集會顯示在資料流程中。如需進一步了解，請參閱 建立和使用 Data Wrangler 流程。

12. 匯入資料集之後，Data Wrangler 會自動推斷每個資料欄中的資料類型。選擇資料類型步驟旁的+，然後選取編輯資料類型。

    重要

    將轉換新增至資料類型步驟之後，您就無法使用更新類型批次更新資料欄類型。

13. 使用資料流程新增轉換和分析。如需進一步了解，請參閱轉換資料和分析與視覺化。

14. 若要匯出完整資料流量，請選擇匯出，然後選擇匯出選項。如需進一步了解，請參閱 匯出。

15. 最後，選擇 元件和登錄檔圖示，然後從下拉式清單中選取 Data Wrangler，以查看您建立的所有 .flow 檔案。您可以使用此功能表來尋找資料流程，並在資料流程之間移動。

匯入 Titanic 資料集到 Data Wrangler

1. 選擇資料流量索引標籤中的匯入資料按鈕，或選擇匯入索引標籤。

2. 選取 Amazon S3。

3. 使用從 S3 資料表匯入資料集，尋找您新增 Titanic 資料集的儲存貯體。選擇 Titanic 資料集CSV檔案以開啟詳細資訊窗格。

4. 在詳細資訊 下，檔案類型應為 CSV。檢查第一行是標題，以指定資料集的第一行是標題。您也可以將資料集命名為更好記的名稱，例如Titanic-train。

5. 選擇匯入按鈕。

1. 選擇資料流程中資料類型步驟旁的 +，然後選取新增分析。

2. 在 分析 區域中，從下拉式清單中選取 表格摘要。

3. 為表格摘要指定一個名稱。

4. 選取預覽，以預覽將會建立的表格。

5. 選擇 儲存，將其儲存至資料流程。會顯示於所有分析資料下。

捨棄未使用的資料欄。

1. 開啟 Data Wrangler 流程。

2. 此網域 Data Wrangler 流程中有兩個節點。選擇資料類型節點右側的 +。

3. 選擇新增轉換。

4. 在 所有步驟 欄中，選擇 新增步驟。

5. 在 標準轉換清單中，選擇 管理欄位。標準轉換是現成的內建轉換。確定已選取 捨棄資料欄。

6. 在要刪除的資料欄底下，檢查下列欄位名稱：

   • cabin

   • ticket

   • name

   • sibsp

   • parch

   • home.dest

   • boat

   • 本文

7. 選擇預覽。

8. 確認已捨棄資料欄，然後選擇新增。

1. 在 所有步驟 欄中，選擇 新增步驟。

2. 在 自訂轉換清單中，選擇 自訂轉換。

3. 為您的轉換提供名稱，然後從下拉式清單中選擇 Python (Pandas)。

4. 請在程式碼框中輸入 Python 指令碼。

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

5. 選擇預覽以預覽變更，然後選擇新增以新增轉換。

1. 選擇處理缺少值。

2. 為 轉換器 選擇 捨棄缺少值。

3. 選擇輸入欄位的年齡。

4. 選擇預覽以參閱新資料框，然後選擇新增以將轉換新增至流程。

5. 對票價重複相同的過程。

1. 在自訂轉換區段中，從下拉式清單中選擇 Python (Pandas)。

2. 請在程式碼框中輸入以下內容。

   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. 選擇預覽以預覽變更。每個資料欄的編碼版本會新增到資料集。

4. 選擇新增以新增轉換。

1. 在自訂轉換區段中，從下拉式清單中選取 SQL（PySpark SQL）。

2. 請在程式碼框中輸入以下內容。

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

3. 選擇預覽以預覽變更。SELECT陳述式中列出的資料欄清單是唯一的剩餘資料欄。

4. 選擇新增以新增轉換。

1. 儲存資料流程。選取檔案，然後選取儲存 Data Wrangler 流程。

2. 返回 Data Flow 索引標籤，選取資料流程中的最後一個步驟 （SQL），然後選擇 ＋ 開啟導覽。

3. 選擇匯出和 Amazon S3 (透過 Jupyter 筆記本)。這會開啟 Jupyter 筆記本。

   

4. 為核心選擇任何 Python 3 (資料科學) 核心。

5. 核心啟動時，請執行筆記本中的儲存格，直到啟動 SageMaker 訓練任務 （選用）。

6. 或者，如果您想要建立 SageMaker訓練任務來訓練XGBoost分類器，您可以在啟動 SageMaker訓練任務 （選用） 中執行儲存格。您可以在 Amazon SageMaker Pricing 中找到執行 SageMaker 訓練任務的成本。

   或者，您可以將 中的程式碼區塊新增至訓練XGBoost分類器筆記本，並執行它們來使用XGBoost開放原始碼程式庫來訓練XGBoost分類器。

7. 取消註解並在清除下執行儲存格，並執行該儲存格，以將 SageMaker Python 還原SDK為其原始版本。

1. 首先，使用 升級必要的模組pip，並移除 _SUCCESS 檔案 （使用 時，此最後一個檔案發生問題awswrangler）。

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

2. 從 Amazon S3 讀取資料。您可以使用 awswrangler來遞迴讀取 S3 字首中的所有CSV檔案。然後將資料分割為功能和標籤。標籤是資料框的首欄。

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

   • 最後，建立 XGBoost DMatrices（資料的主要結構） XGBoost 並使用二進位分類進行跨驗證。

     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)