Вы получили набор данных CSV в S3, который будете использовать для обучения ML. Перед обучением необходимо найти пропущенные или недопустимые значения и подсчитать выбросы с наименьшими эксплуатационными затратами. Какой подход соответствует этому требованию?

Правильный ответ — использование SageMaker Data Wrangler. Он предоставляет мощные инструменты для подготовки данных, включая обнаружение пропущенных/недопустимых значений и подсчет выбросов, с помощью отчета Data Quality and Insights. Это решение оптимизировано для интерактивного анализа и преобразования данных, что делает его эффективным и экономичным для данной задачи. Преобразование в Parquet с помощью AWS Glue и последующий запрос через Athena (первый и второй варианты) требуют дополнительных шагов и могут быть более затратными с точки зрения времени и ресурсов для простой задачи профилирования данных. Хотя Athena может использоваться для запросов, Data Wrangler предлагает более специализированные и визуальные инструменты для анализа качества данных. Импорт в Data Wrangler без предварительного преобразования (четвертый вариант) является наиболее прямым и эффективным способом, так как Data Wrangler может работать напрямую с CSV.