Sie müssen unregelmäßige, teilweise fehlende Zeitreihendaten auf eine tägliche Frequenz resampeln und für die Modellierung mit dem geringsten Implementierungsaufwand exportieren. Welches Tool ist die einfachste Option?

Amazon SageMaker Studio Data Wrangler ist die einfachste Option, da es eine visuelle Schnittstelle für die Datenaufbereitung bietet, einschließlich Resampling und Imputation fehlender Werte. Es ist speziell für die Vorverarbeitung von Daten für Machine-Learning-Modelle konzipiert und erfordert den geringsten Implementierungsaufwand für diese Aufgabe. Amazon EMR Serverless mit PySpark wäre eine leistungsstarke Option für sehr große Datensätze, erfordert aber mehr Konfiguration und Programmierkenntnisse. AWS Glue DataBrew bietet ebenfalls eine visuelle Oberfläche, ist aber eher auf ETL-Workflows ausgerichtet und weniger auf die spezifischen Anforderungen der ML-Datenvorbereitung wie Data Wrangler. Ein SageMaker Studio Notebook mit pandas ist eine praktikable Lösung, erfordert jedoch manuelle Codierung und bietet nicht die visuelle Unterstützung von Data Wrangler, was den Implementierungsaufwand erhöht.