S3中的压缩数据需要用于EMR或Redshift上的机器学习
我在S3存储中有压缩格式的巨大CSV文件。我只需要数据中的一部分列用于机器学习目的。如何在不传输整个文件的情况下将这些列提取到EMR然后再提取到Redshift？
我的想法是将所有文件处理成EMR，然后提取子集并将所需的列推送到Redshift。但这需要花费很多时间。如果有优化的方法来处理这些数据，请告诉我。
展开
收起
1
条回答
写回答
写回答
-
如果目标是在Redshift中实现表中文件列的子集，那么您拥有的一个选项是Redshift Spectrum，它允许您在S3中的CSV文件上定义“外部表”。
然后，您可以从外部表中选择相关列，并将它们插入到实际的Redshift表中。
当Spectrum扫描CSV文件以查询它们时，您将受到初始成本损失，这将根据文件的大小而有所不同，但这可能远远低于启动EMR集群来处理数据。
2019-07-17 23:34:04赞同 展开评论 打赏
版权声明：本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
相关问答
