이 실습은 Google Cloud의 파트너인 Alteryx Designer Cloud(Trifacta)와 공동 개발되었습니다. 계정 프로필에서 공지사항을 수신하는 데 동의한 경우 여러분의 데이터가 스폰서인 Alteryx Designer Cloud(Trifacta)와 공유될 수 있습니다.

GSP050

개요

Dataprep by Alteryx Designer Cloud(Trifacta)는 Alteryx와 협력하여 빌드한 Google의 셀프서비스 데이터 준비 도구입니다. 이 실습에서는 Cloud Dataprep을 사용하여 여러 데이터 세트를 정리하고 보강하는 방법을 배웁니다. 실습은 모의 사용 사례 시나리오를 기반으로 합니다.

사용 사례 시나리오

여러분은 기술 서비스 회사에서 일하고 있으며 다음 세 가지 월간 구독 제품을 판매하고 있습니다.

• 실버(가격: $9.99/월)
• 골드(가격: $14.99/월)
• 플래티넘(가격: $29.99/월)

회사에서 때때로 프로모션 할인을 제공하므로 일부 제품 가격은 위에 나열된 가격보다 약간 낮을 수 있습니다. 전반적인 목표는 3년 동안 우편번호별 판매 활동을 분석하는 것입니다.

이를 위해 우편번호가 포함된 고객 연락처 데이터 소스를 구매 데이터 소스의 판매 데이터와 조인합니다. 데이터를 조인한 후에는 결과를 집계합니다.

학습할 내용

이 실습에서는 다음 작업을 수행하는 방법을 알아봅니다.

• Cloud Dataprep을 사용한 데이터 정리 및 프로파일링
• Cloud Dataprep을 사용하여 여러 데이터 세트 결합
• Cloud Dataprep에서 수식의 결과 계산

설정 및 요건

실습 시작 버튼을 클릭하기 전에

다음 안내를 확인하세요. 실습에는 시간 제한이 있으며 일시중지할 수 없습니다. 실습 시작을 클릭하면 타이머가 시작됩니다. 이 타이머는 Google Cloud 리소스를 사용할 수 있는 시간이 얼마나 남았는지를 표시합니다.

실무형 실습을 통해 시뮬레이션이나 데모 환경이 아닌 실제 클라우드 환경에서 실습 활동을 진행할 수 있습니다. 실습 시간 동안 Google Cloud에 로그인하고 액세스하는 데 사용할 수 있는 새로운 임시 사용자 인증 정보가 제공됩니다.

이 실습을 완료하려면 다음을 준비해야 합니다.

• 표준 인터넷 브라우저 액세스 권한(Chrome 브라우저 권장)

참고: 이 실습을 실행하려면 시크릿 모드(권장) 또는 시크릿 브라우저 창을 사용하세요. 개인 계정과 학습자 계정 간의 충돌로 개인 계정에 추가 요금이 발생하는 일을 방지해 줍니다.

• 실습을 완료하기에 충분한 시간(실습을 시작하고 나면 일시중지할 수 없음)

참고: 이 실습에는 학습자 계정만 사용하세요. 다른 Google Cloud 계정을 사용하는 경우 해당 계정에 비용이 청구될 수 있습니다.

실습을 시작하고 Google Cloud 콘솔에 로그인하는 방법

1. 실습 시작 버튼을 클릭합니다. 실습 비용을 결제해야 하는 경우 결제 수단을 선택할 수 있는 대화상자가 열립니다. 오른쪽에는 다음과 같은 항목이 포함된 실습 설정 및 액세스 패널이 있습니다.

   • Google Cloud 콘솔 열기 버튼
   • 이 실습에 사용해야 하는 임시 사용자 인증 정보(사용자 이름 및 비밀번호)
   • 필요한 경우 실습 진행을 위한 기타 정보

   실습 타이머는 페이지 상단에 있으며 남은 시간을 표시합니다.

2. Google Cloud 콘솔 열기를 클릭합니다(Chrome 브라우저를 실행 중인 경우 마우스 오른쪽 버튼으로 클릭하고 시크릿 창에서 링크 열기를 선택합니다).

   실습에서 리소스가 가동되면 다른 탭이 열리고 로그인 페이지가 표시됩니다.

   팁: 두 개의 탭을 각각 별도의 창으로 나란히 정렬하세요.

   참고: 계정 선택 대화상자가 표시되면 다른 계정 사용을 클릭합니다.

3. 필요한 경우 아래의 사용자 이름을 복사하여 로그인 대화상자에 붙여넣습니다.

   {{{user_0.username | "Username"}}}

   실습 설정 및 액세스 패널에서도 사용자 이름을 확인할 수 있습니다.

4. 다음을 클릭합니다.

5. 아래의 비밀번호를 복사하여 시작하기 대화상자에 붙여넣습니다.

   {{{user_0.password | "Password"}}}

   실습 설정 및 액세스 패널에서도 비밀번호를 확인할 수 있습니다.

6. 다음을 클릭합니다.

   중요: 실습에서 제공하는 사용자 인증 정보를 사용해야 합니다. Google Cloud 계정 사용자 인증 정보를 사용하지 마세요. 참고: 이 실습에 자신의 Google Cloud 계정을 사용하면 추가 요금이 발생할 수 있습니다.

7. 이후에 표시되는 페이지를 클릭하여 넘깁니다.

   • 이용약관에 동의하세요.
   • 임시 계정이므로 복구 옵션이나 2단계 인증을 추가하지 마세요.
   • 무료 체험판을 신청하지 마세요.

잠시 후 Google Cloud 콘솔이 이 탭에서 열립니다.

참고: Google Cloud 제품 및 서비스에 액세스하려면 탐색 메뉴를 클릭하거나 검색창에 제품 또는 서비스 이름을 입력합니다.

Cloud Shell 활성화

Cloud Shell은 다양한 개발 도구가 탑재된 가상 머신으로, 5GB의 영구 홈 디렉터리를 제공하며 Google Cloud에서 실행됩니다. Cloud Shell을 사용하면 명령줄을 통해 Google Cloud 리소스에 액세스할 수 있습니다.

1. Google Cloud 콘솔 상단에서 Cloud Shell 활성화 를 클릭합니다.

2. 다음 창을 클릭합니다.

   • Cloud Shell 정보 창을 통해 계속 진행합니다.
   • 사용자 인증 정보를 사용하여 Google Cloud API를 호출할 수 있도록 Cloud Shell을 승인합니다.

연결되면 사용자 인증이 이미 처리된 것이며 프로젝트가 학습자의 PROJECT_ID, (으)로 설정됩니다. 출력에 이 세션의 PROJECT_ID를 선언하는 줄이 포함됩니다.

Your Cloud Platform project in this session is set to {{{project_0.project_id | "PROJECT_ID"}}}

gcloud는 Google Cloud의 명령줄 도구입니다. Cloud Shell에 사전 설치되어 있으며 명령줄 자동 완성을 지원합니다.

3. (선택사항) 다음 명령어를 사용하여 활성 계정 이름 목록을 표시할 수 있습니다.

gcloud auth list

4. 승인을 클릭합니다.

출력:

ACTIVE: * ACCOUNT: {{{user_0.username | "ACCOUNT"}}} To set the active account, run: $ gcloud config set account `ACCOUNT`

5. (선택사항) 다음 명령어를 사용하여 프로젝트 ID 목록을 표시할 수 있습니다.

gcloud config list project

출력:

[core] project = {{{project_0.project_id | "PROJECT_ID"}}} 참고: gcloud 전체 문서는 Google Cloud에서 gcloud CLI 개요 가이드를 참고하세요.

작업 1. Google Cloud Dataprep 열기

1. Cloud Shell에서 다음 명령어를 실행합니다.

gcloud beta services identity create --service=dataprep.googleapis.com

서비스 ID가 생성되었다는 메시지가 표시됩니다.

2. Cloud 콘솔에서 탐색 메뉴로 이동하고 모든 제품 보기를 클릭한 후 애널리틱스 아래에서 Alteryx Designer Cloud를 선택합니다.

3. Google Dataprep 서비스 약관에 동의하는 체크박스를 선택한 다음 동의를 클릭합니다.

4. 체크박스를 클릭한 다음 Alteryx와 계정 정보를 공유하라는 메시지가 나타나면 동의 및 계속을 클릭합니다.

5. 허용을 클릭하여 Alteryx에 프로젝트 액세스 권한을 부여합니다.

6. 로그인에 사용할 실습 사용자 인증 정보를 선택하고 허용을 클릭합니다.

7. 체크박스를 선택하고 동의를 클릭하여 Alteryx 서비스 약관에 동의합니다.

8. 스토리지 버킷의 기본 위치를 사용하라는 메시지가 나타나면 계속을 클릭합니다.

9. 신규 사용자의 경우 튜토리얼이 시작되며 데이터 세트를 선택하라는 메시지가 표시됩니다. 취소를 클릭하거나 종료하여 이 화면에서 나갑니다.

10. Dataprep 로고(가로 막대 3개)를 클릭하여 홈 화면으로 이동합니다.

작업 2. 데이터 세트 파일 검색

이 섹션에서는 Dataprep에서 생성한 스토리지 버킷에 판매 활동 파일을 추가합니다.

1. Cloud 콘솔로 돌아갑니다.

참고: Cloud 콘솔을 닫은 경우 Google Cloud 아이콘을 클릭하여 열 수 있습니다.

2. 버킷 이름을 가져옵니다. 탐색 메뉴에서 Cloud Storage > 버킷을 선택합니다.

3. 다음 단계에서 사용할 Dataprep 버킷 이름을 기록해 둡니다.

4. Cloud Shell 명령줄에서 다음 명령어를 실행하되 [YOUR-BUCKET-NAME]을 Dataprep 버킷 이름으로 바꿉니다.

gcloud storage cp -r gs://spls/gsp050 gs://[YOUR-BUCKET-NAME]

다음과 비슷한 출력이 표시됩니다.

Copying gs://spls/gsp050/lab_customers.csv [Content-Type=text/csv]... \ [4 files][ 8.5 MiB/ 8.5 MiB] Operation completed over 4 objects/8.5 MiB.

내 진행 상황 확인하기를 클릭하여 목표를 확인합니다. 데이터 세트 파일 검색

작업 3. 흐름 만들기

Cloud Dataprep 탭으로 돌아갑니다. 데이터를 랭글링하려면 흐름을 만들어야 합니다. 흐름은 관련 데이터 세트와 그 사이의 연결로 이루어진 집합입니다.

1. 흐름 만들기를 클릭합니다.

2. 흐름 이름을 Qwiklab1로 지정하고 흐름 설명을 비워 둔 다음 확인을 클릭합니다.

이 시점에서 흐름이 생성됩니다. Dataprep은 학습자가 시작할 수 있도록 흐름에 몇 가지 플레이스홀더를 만듭니다. 첫 번째 단계는 데이터를 Dataprep 및 흐름으로 가져와서 추가하는 것입니다.

3. 데이터 세트 아래의 +를 클릭하여 새 데이터 소스를 추가하고 데이터 세트 가져오기 링크를 클릭합니다.

4. 탐색 패널에서 Cloud Storage > dataprep-staging-xxx... > gsp050을 클릭하여 이전 섹션에 저장한 샘플 데이터에 액세스합니다.

5. 나열된 각 파일 옆에 있는 +를 클릭합니다. 파일을 클릭하면 선택한 목록으로 이동합니다. 가져오기 및 흐름에 추가를 클릭하여 데이터 세트를 흐름에 추가합니다.

Cloud Dataprep은 흐름 뷰 페이지로 돌아가며, 이제 추가한 데이터 세트가 흐름에 포함되어 있습니다. 레시피와 출력을 위한 추가 플레이스홀더가 생성됩니다.

작업 4. 고객 데이터 정리

이제 데이터를 확보했으므로 다음 단계는 고객 데이터 세트를 정리하기 위한 데이터 준비 레시피를 설계하는 것입니다. 템플릿에는 이미 lab_2013_transactions.csv 데이터를 사용하여 추가된 레시피가 있습니다. 지금은 이 레시피를 건너뛰고 직접 만들어 보겠습니다.

1. 새 레시피를 만들려면 다음 단계를 따르세요.

• lab_customers.csv 옆의 더하기 아이콘(+)을 클릭합니다.
• 그런 다음 새 레시피 추가를 클릭합니다.

2. 이 새로운 레시피 노드를 마우스 오른쪽 버튼으로 클릭합니다.

• 드롭다운 메뉴에서 이름 및 설명 수정을 선택합니다.
• 이름을 lab_customers로 변경하고 확인을 클릭합니다.

3. 새로운 레시피 노드가 생성되고 패널이 열리면서 데이터와 기존 변환 단계를 포함한 레시피에 관한 정보가 표시됩니다.

4. 파란색 레시피 수정 버튼을 클릭합니다. (레시피 노드를 더블클릭해도 됩니다.)

Cloud Dataprep에서 '변환기 그리드'가 열립니다. 변환기 그리드의 인터페이스는 워크시트와 유사하며 여기에서 데이터 준비 레시피의 단계를 설계할 수 있습니다. 변환기 페이지에서는 변환 레시피를 빌드하고 이를 샘플에 적용한 결과를 볼 수 있습니다. 표시되는 결과에 만족하면 데이터 세트에 대해 작업을 실행합니다.

각 열에는 추론된 데이터 유형을 지정하는 이름과 아이콘이 있습니다. 열 이름 왼쪽에 있는 아이콘을 클릭하면 가능한 데이터 유형이 표시됩니다.

열 옵션을 클릭하면 세부정보 패널이 열립니다.

이 세부정보 패널은 동적이며 열 정보 또는 제안된 변환을 포함하여 선택한 항목에 대한 정보를 포함합니다. 세부정보 패널 헤더에서 X를 클릭하여 세부정보 패널을 닫습니다.

다음 단계에서는 그리드 뷰에서 데이터를 탐색하고 레시피에 변환 단계를 적용합니다.

변환기 그리드를 열면 Cloud Dataprep이 자동으로 데이터 세트를 프로파일링합니다. 열 히스토그램과 데이터 품질 지표를 생성합니다. 이 프로필 정보는 데이터 준비 프로세스를 안내하는 데 사용할 수 있습니다.

필터 적용

1. start_date 열을 찾습니다. 상단 열의 가로 막대를 살펴봅니다.

참고: `start_date` 열에 빨간색 막대가 표시되지 않아야 다음 단계로 진행할 수 있습니다.

이것이 데이터 품질 막대입니다. 녹색 부분은 유효한 값을, 회색 부분은 누락되거나 null인 값을 나타냅니다. 빨간색 막대는 데이터 유형과 일치하지 않는 데이터를 나타냅니다. 데이터 품질 막대의 섹션을 클릭하면 데이터 품질 조건문이 포함된 추천이 생성됩니다. 이러한 조건문은 각 레코드가 유효한지, 비어 있는지, 무효인지를 테스트합니다. 클릭한 막대의 섹션에 따라 다릅니다.

start_date와 end_date를 필터로 사용하여 start_date 열이 비어 있는 연락처를 삭제하는 변환을 추가합니다.

2. start_date 열의 데이터 품질 막대에서 회색 부분을 클릭합니다.

Cloud Dataprep은 학습자의 선택에 따라 추천 목록에 추천된 변환 목록을 생성합니다. 추천 카드 위로 마우스를 가져가면 Dataprep에 해당 추천이 적용될 경우 데이터가 어떻게 표시되는지 미리 확인할 수 있습니다. 카드를 선택하면 Cloud Dataprep에서 그리드를 업데이트하여 이 변환의 미리보기를 보여줍니다.

3. 추천 목록의 'start_date에 누락된 값이 있는 행 삭제' 추천 카드에서 추가를 클릭합니다.

빨간색으로 강조 표시된 행이 데이터 세트에서 삭제되었습니다.

누락된 값 입력

end_date 열을 확인합니다. 데이터 품질 막대를 기준으로 누락된 값이 있는 행이 많습니다. 이 열을 쉽게 사용하려면 빈 행에 2050년 1월 1일이라는 빈 값을 삽입합니다.

1. end_date 열의 데이터 품질 막대에서 회색 섹션을 클릭합니다.

그러면 또 다른 추천 변환 조합이 생성됩니다. 누락된 값을 NULL()로 설정하라는 추천이 표시됩니다. 이 경우 Dataprep은 학습자가 어떤 정확한 값으로 채우고 싶은지 모르므로 수정할 수 있는 템플릿을 만듭니다.

2. 그런 다음 추천 카드에서 수정을 클릭합니다.

그러면 단계 추가 빌더가 열립니다. Cloud Dataprep의 추천된 변환은 이미 채워져 있지만 코드를 조정할 수 있습니다.

3. 수식 상자에서 NULL()을 '2050/1/1'(따옴표 포함)로 바꿉니다. 전체 수식은 다음과 같습니다.

IFMISSING($col, '2050/01/01')

4. 추가를 클릭합니다.

이제 lab_customers 데이터 세트의 데이터 품질 문제가 해결되었고 데이터 품질 막대의 회색 부분이 사라졌습니다.

작업 5. 여러 트랜잭션 데이터 세트 통합

이제 트랜잭션 데이터 세트로 전환하여 작업합니다.

• 화면 상단에서 QWIKLAB1 흐름 이름을 클릭합니다.

그러면 흐름 뷰로 돌아갑니다.

2013년, 2014년, 2015년의 트랜잭션 데이터 세트를 통합하는 단일 데이터 세트를 만듭니다.

1. lab_2013_transactions 데이터 세트를 클릭합니다.

2. 더하기 기호 (+)를 클릭한 다음 새 레시피 추가를 클릭합니다.

Cloud Dataprep에서 Untitled recipe라는 이름의 새로운 레시피와 랭글링된 데이터 세트를 생성합니다.

3. 새로 랭글링된 데이터 세트를 마우스 오른쪽 버튼으로 클릭합니다. 드롭다운 메뉴에서 이름 및 설명 수정을 선택합니다.

4. 이름을 Combined Transactions로 변경하고 확인을 클릭합니다.

5. Combined Transactions를 더블클릭하여 레시피를 수정합니다. 그러면 변환기 그리드에서 레시피가 열립니다. 그리드의 데이터는 lab_2013_transactions.csv 데이터 세트의 정형 데이터입니다.

Union 변환을 사용하여 동일한 스키마를 가진 여러 데이터 세트를 결합

1. 변환을 수행하기 전에 그리드 상태 표시줄을 살펴봅니다. 여기에서 메타데이터 표시를 확인할 수 있습니다.

메타데이터는 그리드에 로드된 데이터에 대한 빠른 요약을 보여줍니다. 로드된 데이터는 전체 데이터 세트의 샘플이며 최대 10MB입니다.

2. 레시피 이름 근처의 변환기 헤더를 살펴봅니다. 여기에서 현재 표시되는 샘플을 확인할 수 있습니다.

참고: 버전에 따라 다르게 표시될 수 있습니다.

또는

표시된 샘플은 소스의 초기 데이터입니다. 작은 데이터 세트(10MB 미만)의 경우 Dataprep은 전체 데이터 세트를 초기 데이터 샘플에 로드합니다.

3. 패널에서 레시피 아이콘을 클릭합니다.

4. 새 단계 추가를 클릭합니다.

5. 검색창에 'Union'을 입력한 다음 결과를 클릭하여 Union 도구로 이동합니다.

Union 출력 필드에는 데이터 세트의 출력 스키마가 표시됩니다. 각 상자는 열을 나타냅니다. Cloud Dataprep에서 Union 변환을 시작한 데이터 세트의 스키마를 기반으로 출력 스키마를 생성합니다. 이 경우 'Combined Transactions' 데이터 세트의 열이 결합된 출력에 표시되는 열을 결정합니다.

6. + 데이터 추가를 클릭합니다.

7. lab_2014_transactions를 선택합니다. 정렬 설정의 드롭다운에서 이름순 정렬을 선택하고 적용을 클릭합니다.

8. 레시피에 추가를 클릭하여 데이터 세트를 결합합니다. 스크립트에 union을 추가한 후 transaction_date 열을 살펴봅니다.

이제 이 데이터 세트에는 2013년 1월부터 2014년 12월까지의 레코드가 포함됩니다.

9. 이제 3개의 데이터 세트 중 2개를 통합했습니다. 메타데이터를 확인하면 추가 행도 표시됩니다.

작업 6. 레시피 단계 수정

데이터를 사용하다 보면 특정 변환을 조정하거나 삭제해야 하는 경우가 많습니다. Dataprep을 사용하면 작업을 매우 쉽게 수정할 수 있습니다. 여기에서는 3개의 데이터 세트 중 2개를 통합했지만, 나머지 데이터 세트를 통합하기 위해 완전히 새로운 단계를 추가하는 대신 이미 수행한 작업을 수정하기만 하면 됩니다.

1. 실행취소 아이콘을 클릭하여 마지막 작업(여기에서는 Union 단계)을 되돌립니다.

레시피가 이제 빈 상태입니다. 그리드와 메타데이터도 원래 상태를 반영하도록 업데이트됩니다.

2. 다시 실행 아이콘을 클릭하여 Union 단계를 다시 가져옵니다.

3. 레시피 패널에서 Union 단계를 마우스 오른쪽 버튼으로 클릭하고 수정을 선택합니다.

4. 그러면 Union 도구가 다시 열립니다. 이번에는 데이터 추가를 다시 클릭하고 lab_2015_transactions를 선택합니다. 정렬 설정의 드롭다운에서 Align By Name(이름순 정렬)을 선택하고 적용을 클릭합니다.

5. 열 간 매핑을 검토합니다. 레시피에 추가를 클릭하여 세 개의 데이터 세트를 모두 결합합니다.

6. 스크립트에 union을 추가한 후 transaction_date 열을 살펴봅니다.

이제 이 데이터 세트에는 2013년 1월부터 2015년 12월까지의 레코드가 포함됩니다. 이제 메타데이터에 몇 개의 행이 표시되나요?

7. QWIKLAB1 흐름 이름을 클릭하여 흐름 뷰로 돌아갑니다.

업데이트된 흐름 시각화에서 세 개의 트랜잭션 데이터 세트가 결합되어 Combined Transactions 데이터 세트를 구성하는 방식을 확인할 수 있습니다.

작업 7. 트랜잭션 데이터를 고객 데이터에 조인

이제 데이터 세트가 결합되었으므로 트랜잭션 데이터를 보강합니다. 각 구매가 이루어진 장소에 대한 정보를 추가합니다. 이를 위해서는 고객 데이터를 트랜잭션 데이터에 조인해야 합니다. 조인을 수행할 때는 더 큰 데이터 세트를 마스터 데이터 세트(왼쪽)로 취급합니다. 더 작은 데이터 세트는 세부정보 데이터 세트(오른쪽)여야 합니다. Cloud Dataprep에서는 조인을 시작하는 데이터 세트가 자동으로 마스터 데이터 세트가 됩니다.

1. Combined Transactions를 더블클릭하여 레시피를 다시 수정합니다.

2. 변환기 툴바에서 조인 아이콘을 클릭하여 조인 도구를 엽니다.

참고: 이전과 마찬가지로 레시피 패널과 새 단계를 사용하고 '조인'을 검색하여 조인 도구를 활성화할 수도 있습니다. Dataprep에서 변환을 만드는 방법은 다양합니다.

3. lab_customers 데이터 세트를 클릭하여 다른 데이터 세트를 가져온 다음 수락을 클릭합니다.

4. 다음 화면에서 조인 키와 조건을 수정합니다. 조인 키가 일치하는지, 조인에 대한 구성 옵션이 올바른지 확인합니다. Dataprep에서는 데이터 세트 간의 공통 값을 기반으로 올바른 조인 키를 자동으로 추론하려고 시도합니다.

선택적으로 조인 키를 수정할 수 있습니다. 조인 키 섹션에 마우스를 가져간 다음 연필(수정 아이콘)을 클릭하여 조인 키를 수정하거나 추가를 클릭하여 조인 키를 추가합니다.

이 작업의 데이터 세트에 대해 Cloud Dataprep에서는 customer_id 열에 대한 내부 조인을 선택했습니다. 즉, 출력 데이터 세트는 동일한 customer_id를 가진 레코드가 됩니다.

5. 다음을 클릭합니다.

6. 다음 화면에서 조인 후 유지하거나 삭제할 열을 선택할 수 있습니다. 출력 열 패널에서 다음 필드 옆에 체크표시하여 해당 열을 조인에 추가합니다.

   • customer_id (current)
   • transaction_date
   • ticket_price
   • product
   • address_state
   • address_zip
   • region
   • start_date
   • end_date

선택 해제된 모든 열이 삭제됩니다. 다음과 같은 결과가 나타납니다.

7. 검토를 클릭하여 변환기 그리드에서 조인의 결과를 미리 봅니다.
8. 레시피에 추가를 클릭합니다.

작업 8. 새 열 만들기 및 이름 바꾸기

마지막 단계로 보고서에 사용할 데이터를 추가로 정리합니다. 시각화에 필요한 값이 포함된 열을 만들어야 합니다.

열 메뉴에서 Dataprep의 변환을 작성하는 또 다른 방법을 살펴보겠습니다.

1. transaction_date 옆에 있는 드롭다운 화살표를 클릭하고 > 추출 > Datetime > Year (YYYY)를 선택합니다.

선택한 작업이 자동 입력된 새 수식 작성 도구가 열립니다. 그리드에도 미리보기가 생성됩니다.

2. 추가를 클릭합니다.

year_transaction_date라는 새 열이 생성된 것을 확인할 수 있습니다. 이전 단계에서 변환을 수정하는 동안 새 열의 이름을 지정했습니다. 이름을 지정하지 않는 경우 Dataprep에서 변환을 기반으로 기본 이름을 생성합니다. 소스 열이 선택되지 않은 경우 column#을 사용합니다.

3. 이 열의 이름을 수동으로 변경합니다. year_transaction_date 옆의 드롭다운 화살표를 클릭하고 > 이름 바꾸기를 클릭합니다.

4. 필드에 activity_year를 입력합니다. 추가를 클릭하여 변경사항을 수락합니다.

추가를 눌러 매핑을 추가하면 이 변환으로 여러 열의 이름을 바꿀 수 있습니다.

작업 9. BigQuery에 결과 게시

이제 데이터 준비를 마쳤고 Cloud Storage에서 결과 파일을 생성할 준비가 되었습니다. Cloud Dataprep에서 BigQuery 엔진으로 데이터 변환 레시피를 실행하여 출력 파일을 생성합니다.

1. 변환기 헤더에서 실행을 클릭합니다.

2. 작업 실행 대화상자에서 작업 실행 설정과 출력 대상을 구성할 수 있습니다. 기본적으로 Cloud Dataprep은 Cloud Storage에 CSV 파일을 만듭니다.

3. 기존 게시 작업 위로 마우스를 가져간 다음 옵션 목록에서 수정을 클릭합니다.

4. 패널에서 BigQuery 탭을 클릭합니다.

5. Dataprep 데이터베이스를 선택하고 패널에서 새 테이블 만들기 버튼을 클릭합니다.

6. 새 테이블 이름으로 transactions_by_customer를 입력하고 쓰기 옵션으로 실행마다 이 테이블에 추가를 선택합니다.

7. 대화상자에서 업데이트를 클릭하여 출력 설정을 업데이트합니다.

8. 이제 실행을 클릭하여 BigQuery 작업을 시작합니다. 몇 분 정도 걸릴 수 있습니다. Dataprep '작업' 페이지에서 작업 처리 상태를 확인할 수 있습니다. 작업이 완료되면 다음과 유사한 성공 메시지가 표시되고 데이터가 새 BigQuery 테이블에 로드됩니다.

9. 완료된 작업에 마우스를 가져간 다음 프로필을 클릭하여 정리된 데이터를 확인합니다. 다음과 유사하게 표시됩니다.

10. BigQuery를 직접 쿼리하여 결과를 확인할 수 있습니다. Google Cloud 콘솔에서 애널리틱스 > BigQuery로 이동합니다. Dataprep 데이터 세트를 클릭합니다.

11. 쿼리 편집기에 select * from Dataprep.transactions_by_customer;를 입력합니다. 실행을 클릭하여 게시된 데이터를 확인합니다.

Cloud Dataprep은 이처럼 간단합니다. 직관적인 시각적 인터페이스를 사용하여 여러 데이터 소스를 쉽게 정리하고 보강할 수 있습니다.

내 진행 상황 확인하기를 클릭하여 목표를 확인합니다. BigQuery에 결과 게시

수고하셨습니다

이 실습에서는 먼저 새로운 흐름을 만들고 데이터를 변환했습니다. 그런 다음 Dataprep UI를 사용하여 정리되지 않은 데이터를 필터링하고, 여러 파일을 통합 및 조인하며, 열을 만들고 열 이름을 바꾸는 방법을 알아보았습니다. 마지막으로 결과 파일을 생성하고 Google Cloud Storage로 내보냈습니다.

다음 단계/더 학습하기

• 안내 가이드를 읽고 Google Dataprep으로 데이터를 검색, 정리, 보강하는 방법을 알아보세요.

Google Cloud 교육 및 자격증

Google Cloud 기술을 최대한 활용하는 데 도움이 됩니다. Google 강의에는 빠른 습득과 지속적인 학습을 지원하는 기술적인 지식과 권장사항이 포함되어 있습니다. 기초에서 고급까지 수준별 학습을 제공하며 바쁜 일정에 알맞은 주문형, 실시간, 가상 옵션이 포함되어 있습니다. 인증은 Google Cloud 기술에 대한 역량과 전문성을 검증하고 입증하는 데 도움이 됩니다.

설명서 최종 업데이트: 2026년 5월 20일

실습 최종 테스트: 2025년 5월 19일

Copyright 2026 Google LLC. All rights reserved. Google 및 Google 로고는 Google LLC의 상표입니다. 기타 모든 회사명 및 제품명은 해당 업체의 상표일 수 있습니다.