Détecter les anomalies dans les données

---

Ce document explique comment utiliser Dataplex Explore pour détecter des anomalies dans un ensemble de données de transactions de détail.

L'outil d'exploration de données, ou Explorer, permet aux analystes de données d'interroger et d'explorer de grands ensembles de données en temps réel de manière interactive. La fonction Explorer vous aide à dégager des insights de vos données et vous permet d'interroger les données stockées dans Cloud Storage et BigQuery. La fonction Explorer utilise une plate-forme Spark sans serveur. Vous n'avez donc pas besoin de gérer ni de faire évoluer l'infrastructure sous-jacente.

Objectifs

Ce guide vous explique comment effectuer les tâches suivantes :

• Utilisez l'environnement de travail Spark SQL d'Explorer pour écrire et exécuter des requêtes Spark SQL.
• Utilisez un notebook JupyterLab pour afficher les résultats.
• Planifiez une exécution récurrente de votre notebook afin de surveiller les anomalies dans vos données.

Coûts

Dans ce document, vous utilisez les composants facturables suivants de Google Cloud :

• Dataplex
• Cloud Storage

Obtenez une estimation des coûts en fonction de votre utilisation prévue à l'aide du simulateur de coût. Les nouveaux utilisateurs de Google Cloud peuvent bénéficier d'un essai gratuit.

Une fois que vous avez terminé les tâches décrites dans ce document, vous pouvez éviter de continuer à payer des frais en supprimant les ressources que vous avez créées. Pour en savoir plus, consultez la section Effectuer un nettoyage.

Avant de commencer

1. Connectez-vous à votre compte Google Cloud. Si vous débutez sur Google Cloud, créez un compte pour évaluer les performances de nos produits en conditions réelles. Les nouveaux clients bénéficient également de 300 $ de crédits gratuits pour exécuter, tester et déployer des charges de travail.
2. Installez Google Cloud CLI.

3. Pour initialiser gcloudCLI, exécutez la commande suivante :

   gcloud init

4. Créez ou sélectionnez un projet Google Cloud.

   Remarque : Si vous ne comptez pas conserver les ressources créées dans cette procédure, créez un projet au lieu de sélectionner un projet existant. Après avoir suivi ces étapes, vous pouvez supprimer le projet. Cela entraîne la suppression de toutes les ressources qui lui sont associées.

   • Créez un projet Google Cloud :

     gcloud projects create PROJECT_ID

     Remplacez PROJECT_ID par le nom du projet Google Cloud que vous créez.

   • Sélectionnez le projet Google Cloud que vous avez créé :

     gcloud config set project PROJECT_ID

     Remplacez PROJECT_ID par le nom de votre projet Google Cloud.

5. Vérifiez que la facturation est activée pour votre projet Google Cloud.

6. Installez Google Cloud CLI.

7. Pour initialiser gcloudCLI, exécutez la commande suivante :

   gcloud init

8. Créez ou sélectionnez un projet Google Cloud.

   Remarque : Si vous ne comptez pas conserver les ressources créées dans cette procédure, créez un projet au lieu de sélectionner un projet existant. Après avoir suivi ces étapes, vous pouvez supprimer le projet. Cela entraîne la suppression de toutes les ressources qui lui sont associées.

   • Créez un projet Google Cloud :

     gcloud projects create PROJECT_ID

     Remplacez PROJECT_ID par le nom du projet Google Cloud que vous créez.

   • Sélectionnez le projet Google Cloud que vous avez créé :

     gcloud config set project PROJECT_ID

     Remplacez PROJECT_ID par le nom de votre projet Google Cloud.

9. Vérifiez que la facturation est activée pour votre projet Google Cloud.

Remarque :La fonctionnalité Explorer n'est disponible que dans les régions us-central1 et europe-west2. Assurez-vous que toutes vos sources de données (buckets Cloud Storage et tables BigQuery) se trouvent dans la même région. En savoir plus

Préparer les données pour l'exploration

1. Téléchargez le fichier Parquet retail_offline_sales_march.

   Télécharger le fichier Parquet

2. Créez un bucket Cloud Storage nommé offlinesales_curated comme suit:

   1. Dans la console Google Cloud, accédez à la page Buckets Cloud Storage.

      Accéder à la page "Buckets"

   2. Cliquez sur Créer un bucket.
   3. Sur la page Créer un bucket, saisissez les informations concernant votre bucket. Pour passer à l'étape suivante, cliquez sur Continuer.
      • Pour nommer votre bucket, saisissez un nom qui répond aux exigences de dénomination des buckets.
      • Pour Choisir l'emplacement de stockage des données, procédez comme suit :
        • Sélectionnez une option de type d'emplacement.
        • Sélectionnez une option Location (Emplacement).
      • Pour Choisir une classe de stockage par défaut pour vos données, sélectionnez une classe de stockage.
      • Pour le champ Choisir comment contrôler l'accès aux objets, sélectionnez une option de Contrôle des accès.
      • Sous Paramètres avancés (facultatif), choisissez une méthode de chiffrement, une règle de conservation ou des libellés de bucket.
   4. Cliquez sur Create (Créer).

3. Importez le fichier offlinesales_march_parquet que vous avez téléchargé dans le bucket Cloud Storage offlinesales_curated que vous avez créé en suivant les étapes décrites dans la section Importer un objet à partir d'un système de fichiers.

4. Créez un lac Dataplex et nommez-le operations en suivant la procédure décrite dans la section Créer un lac.

5. Dans le lac operations, ajoutez une zone et nommez-la procurement en suivant les étapes décrites dans la section Ajouter une zone.

6. Dans la zone procurement, ajoutez le bucket Cloud Storage offlinesales_curated que vous avez créé en tant qu'élément en suivant les étapes décrites dans Ajouter un élément.

Sélectionnez la table à explorer

1. Dans la console Google Cloud, accédez à la page Explorer de Dataplex.

   Accéder à l'onglet "Explorer"

2. Dans le champ Lake (Lac), sélectionnez le lac operations.

3. Cliquez sur le lac operations.

4. Accédez à la zone procurement et cliquez sur la table pour explorer ses métadonnées.

   Dans l'image suivante, la zone d'approvisionnement sélectionnée comporte une table appelée Offline, qui contient les métadonnées suivantes: orderid, product, quantityordered, unitprice, orderdate et purchaseaddress.

   

5. Dans l'éditeur Spark SQL, cliquez sur Add (Ajouter). Un script Spark SQL s'affiche.

6. Facultatif: ouvrez le script en mode onglet fractionné pour afficher les métadonnées et le nouveau script côte à côte. Cliquez sur Plus dans le nouvel onglet de script, puis sélectionnez Diviser l'onglet à droite ou Diviser l'onglet à gauche.

Explorer les données

Un environnement fournit des ressources de calcul sans serveur pour vos requêtes et vos notebooks Spark SQL afin qu'ils s'exécutent dans un lac. Avant d'écrire des requêtes Spark SQL, créez un environnement dans lequel exécuter vos requêtes.

Explorez vos données à l'aide des requêtes SparkSQL suivantes. Dans l'éditeur SparkSQL, saisissez la requête dans le volet New Script (Nouveau script).

Échantillonner les 10 lignes de la table

1. Saisissez la requête suivante :

   select * from procurement.offlinesales where orderid != 'orderid' limit 10;
   

2. Cliquez sur Exécuter.

Obtenir le nombre total de transactions dans l'ensemble de données

1. Saisissez la requête suivante :

   select count(*) from procurement.offlinesales where orderid!='orderid';
   

2. Cliquez sur Exécuter.

Trouver le nombre de types de produits différents dans l'ensemble de données

1. Saisissez la requête suivante :

   select count(distinct product) from procurement.offlinesales where orderid!='orderid';
   

2. Cliquez sur Exécuter.

Rechercher les produits dont la valeur de transaction est élevée

Répartissez les ventes par type de produit et par prix de vente moyen afin d'avoir une idée des produits ayant une valeur de transaction élevée.

1. Saisissez la requête suivante :

   select product,avg(quantityordered * unitprice) as avg_sales_amount from procurement.offlinesales where orderid!='orderid' group by product order by avg_sales_amount desc;
   

2. Cliquez sur Exécuter.

L'image suivante affiche un volet Results qui utilise une colonne appelée product pour identifier les articles de vente avec des valeurs de transaction élevées, affichées dans la colonne appelée avg_sales_amount.

Détecter les anomalies à l'aide d'un coefficient de variation

La dernière requête a montré que les ordinateurs portables ont un montant moyen élevé pour les transactions. La requête suivante montre comment détecter les transactions d'ordinateur portable qui ne sont pas anormales dans l'ensemble de données.

La requête suivante utilise le "coefficient de variation" de la métrique rsd_value pour rechercher les transactions qui ne sont pas inhabituelles, pour lesquelles la répartition des valeurs est faible par rapport à la valeur moyenne. Un coefficient de variation faible indique moins d'anomalies.

1. Saisissez la requête suivante :

   WITH stats AS (
   SELECT product,
         AVG(quantityordered * unitprice)  AS avg_value,
         STDDEV(quantityordered * unitprice) / AVG(quantityordered * unitprice) AS rsd_value
   FROM procurement.offlinesales
   GROUP BY product)
   SELECT orderid, orderdate, product, (quantityordered * unitprice) as sales_amount,
       ABS(1 - (quantityordered * unitprice)/ avg_value) AS distance_from_avg
   FROM procurement.offlinesales INNER JOIN stats USING (product)
   WHERE rsd_value <= 0.2
   ORDER BY distance_from_avg DESC
   LIMIT 10
   

2. Cliquez sur Exécuter.

3. Consultez les résultats du script.

   Dans l'image suivante, un volet de résultats utilise une colonne appelée "product" pour identifier les articles de vente dont les valeurs de transaction sont comprises dans le coefficient de variation de 0,2.

   

Visualiser les anomalies à l'aide d'un notebook JupyterLab

Créer un modèle de ML pour détecter et visualiser les anomalies à grande échelle

1. Créez un notebook.

2. Ouvrez le notebook dans un onglet distinct et attendez qu'il se charge. La session dans laquelle vous avez exécuté les requêtes Spark SQL se poursuit.

3. Importez les packages nécessaires et connectez-vous à la table externe BigQuery qui contient les données de transaction. Exécutez le code suivant :

   from google.cloud import bigquery
   from google.api_core.client_options import ClientOptions
   import os
   import warnings
   warnings.filterwarnings('ignore')
   import pandas as pd
   
   project = os.environ['GOOGLE_CLOUD_PROJECT']
   options = ClientOptions(quota_project_id=project)
   client = bigquery.Client(client_options=options)
   client = bigquery.Client()
   
   #Load data into DataFrame
   
   sql = '''select * from procurement.offlinesales limit 100;'''
   df = client.query(sql).to_dataframe()
   

4. Exécutez l'algorithme de forêt d'isolation pour détecter les anomalies dans l'ensemble de données:

   to_model_columns = df.columns[2:4]
   from sklearn.ensemble import IsolationForest
   clf=IsolationForest(n_estimators=100, max_samples='auto', contamination=float(.12), \
                           max_features=1.0, bootstrap=False, n_jobs=-1, random_state=42, verbose=0)
   clf.fit(df[to_model_columns])
   pred = clf.predict(df[to_model_columns])
   df['anomaly']=pred
   outliers=df.loc[df['anomaly']==-1]
   outlier_index=list(outliers.index)
   #print(outlier_index)
   #Find the number of anomalies and normal points here points classified -1 are anomalous
   print(df['anomaly'].value_counts())
   

5. Tracez les anomalies prédites à l'aide d'une visualisation Matplotlib:

   import numpy as np
   from sklearn.decomposition import PCA
   pca = PCA(2)
   pca.fit(df[to_model_columns])
   res=pd.DataFrame(pca.transform(df[to_model_columns]))
   Z = np.array(res)
   plt.title("IsolationForest")
   plt.contourf( Z, cmap=plt.cm.Blues_r)
   b1 = plt.scatter(res[0], res[1], c='green',
                   s=20,label="normal points")
   b1 =plt.scatter(res.iloc[outlier_index,0],res.iloc[outlier_index,1], c='green',s=20,  edgecolor="red",label="predicted outliers")
   plt.legend(loc="upper right")
   plt.show()
   

Cette image montre les données de transaction, avec les anomalies encadrées en rouge.

Planifier le notebook

La fonction Explorer vous permet de planifier l'exécution régulière d'un notebook. Suivez les étapes pour planifier le notebook Jupyter que vous avez créé.

Dataplex crée une tâche de planification pour exécuter régulièrement votre notebook. Pour surveiller la progression des tâches, cliquez sur Afficher les planifications.

Partager ou exporter le notebook

Explorer vous permet de partager un notebook avec d'autres membres de votre organisation à l'aide des autorisations IAM.

Examinez les rôles. Accordez ou révoquez les rôles de lecteur Dataplex (roles/dataplex.viewer), d'éditeur Dataplex (roles/dataplex.editor) et d'administrateur Dataplex (roles/dataplex.admin) pour les utilisateurs de ce notebook. Une fois que vous avez partagé un notebook, les utilisateurs disposant des rôles de lecteur ou d'éditeur au niveau du lac peuvent accéder au lac et travailler sur le notebook partagé.

Pour partager ou exporter un notebook, consultez les pages Partager un notebook ou Exporter un notebook.

Effectuer un nettoyage

Pour éviter que les ressources utilisées lors de ce tutoriel soient facturées sur votre compte Google Cloud, supprimez le projet contenant les ressources, ou conservez le projet et supprimez les ressources individuelles.

Supprimer le projet

Attention : La suppression d'un projet aura les effets suivants :

• Tout le contenu du projet est supprimé. Si vous avez utilisé un projet existant pour les tâches de ce document, lorsque vous le supprimez, vous supprimez également tout autre travail effectué dans le projet.
• Les ID de projets personnalisés sont perdus. Lorsque vous avez créé ce projet, vous avez peut-être créé un ID de projet personnalisé que vous souhaitez utiliser à l'avenir. Pour conserver les URL qui utilisent l'ID de projet, telle qu'une URL appspot.com, supprimez les ressources sélectionnées dans le projet au lieu de supprimer l'ensemble du projet.

Si vous envisagez d'explorer plusieurs architectures, tutoriels et guides de démarrage rapide, réutiliser des projets peut vous aider à ne pas dépasser les limites de quotas des projets.

Supprimez un projet Google Cloud :

gcloud projects delete PROJECT_ID

Supprimer des ressources individuelles

1. Supprimez le bucket :

   gcloud storage buckets delete BUCKET_NAME

   Important : Votre bucket doit être vide afin d'être supprimé.
2. Supprimez l'instance.

   gcloud compute instances delete INSTANCE_NAME

Étapes suivantes

• En savoir plus sur l'exploration Dataplex
• Planifiez des scripts et des notebooks.