Sie haben einen CSV-Datensatz in S3 erhalten, den Sie für das ML-Training verwenden werden. Vor dem Training müssen Sie fehlende oder ungültige Werte finden und Ausreißer mit dem geringsten Betriebsaufwand zählen. Welcher Ansatz erfüllt diese Anforderung?

Die korrekte Option ist, die Daten als CSV beizubehalten, sie in SageMaker Data Wrangler zu importieren und den Data Quality and Insights Report zu verwenden. Dies ist der Ansatz mit dem geringsten Betriebsaufwand, da Data Wrangler speziell für die Datenaufbereitung und -analyse entwickelt wurde und umfassende Berichte zur Datenqualität bietet, einschließlich der Erkennung fehlender Werte, ungültiger Werte und Ausreißer. Es erfordert keine manuelle SQL-Abfrage oder die Verwaltung von Glue-Jobs und Crawlern für diese spezifische Aufgabe. Die Umwandlung in Parquet mit AWS Glue und die Abfrage mit Athena ist zwar eine gültige Methode zur Datenanalyse, erfordert aber mehr manuellen Aufwand für die Erstellung und Ausführung von SQL-Abfragen zur Identifizierung der spezifischen Statistiken. Das Beibehalten als CSV und die Abfrage mit Athena ist ebenfalls möglich, aber auch hier ist der manuelle Aufwand für die Analyse höher als mit Data Wrangler. Die Umwandlung in Parquet und der Import in Data Wrangler ist unnötig, da Data Wrangler CSV-Dateien direkt verarbeiten kann und die Umwandlung in Parquet einen zusätzlichen Schritt darstellt, der den Betriebsaufwand erhöht, ohne einen direkten Vorteil für die Anforderung der Datenqualitätsanalyse zu bieten.