Musisz ponownie próbować nieregularne, częściowo brakujące dane szeregów czasowych do częstotliwości dziennej i wyeksportować je do modelowania przy najmniejszym wysiłku implementacyjnym. Które narzędzie jest najprostszym rozwiązaniem?

Amazon SageMaker Studio Data Wrangler to najprostsze rozwiązanie, ponieważ jest to w pełni zarządzana usługa zaprojektowana specjalnie do przygotowywania danych, w tym do transformacji szeregów czasowych, takich jak ponowne próbkowanie. Oferuje wizualny interfejs użytkownika do szybkiego tworzenia przepływów pracy przygotowania danych bez pisania obszernego kodu. Użycie Amazon EMR Serverless z PySpark wymagałoby większego wysiłku implementacyjnego i znajomości PySpark. AWS Glue DataBrew jest również narzędziem do przygotowywania danych, ale Data Wrangler jest ściślej zintegrowany z SageMaker Studio i zoptymalizowany pod kątem przepływów pracy uczenia maszynowego. Użycie notatnika SageMaker Studio i pandas wymagałoby ręcznego kodowania logiki ponownego próbkowania, co jest bardziej pracochłonne niż wizualne podejście Data Wrangler.