Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
medium.com6. Dezember 2023 · Q010806

AWS QuickSight: Handle Array Data Type

medium.com · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der Beitrag empfiehlt, Array-Werte wie die Genres in MovieLens-Daten vor dem Import in QuickSight mit pandas in einzelne Zeilen aufzuteilen. Laut Autor ermöglicht das eine Filterliste für einzelne Genres; bei mehrfach vorkommenden Filmen soll eine eindeutige Zählung der Film-IDs die ursprüngliche Gesamtkurve erhalten. Die Demonstration nutzt ein künstliches Jahresfeld und behandelt nur diesen Filterfall.

Mittel

Der Beitrag zeigt, wie sich Arrays in AWS QuickSight nutzbar machen lassen. Laut Autor unterstützt QuickSight Arrays nicht als eigenen Datentyp. Im MovieLens-Beispiel wird die Spalte „genres“ deshalb als Zeichenkette behandelt: Eine Filterliste zeigt dann Genre-Kombinationen statt einzelner Genres, während ein benutzerdefinierter Filter deren Namen zur manuellen Eingabe voraussetzt.

Der Autor empfiehlt, die Genre-Werte vor dem Import mit pandas auf einzelne Zeilen aufzuteilen. Er liest die CSV ein, ersetzt fehlende Werte, zerlegt die Zeichenketten am Trennzeichen „|“ und erzeugt anschließend eine Zeile je Film und Genre. Eine ausprobierte Umwandlung mit `literal_eval` habe bei ihm nicht gut funktioniert; stattdessen beschreibt er eine eigene Konstruktion mit DataFrame und Verknüpfung über den Index. Nach dem Export der neuen CSV zählt er im Liniendiagramm die Film-IDs eindeutig, weil Filme mehrfach vorkommen können. Laut Beitrag bleibt die Gesamtdarstellung dadurch gleich, und QuickSight kann nun über eine Filterliste einzelne Genres auswählen.

Die Demonstration nutzt einen künstlichen Jahreswert und behandelt nur das Filtern. Die Ergebnisse beziehen sich auf das MovieLens-Beispiel; eine systematische Prüfung weiterer Datensätze wird nicht berichtet.

Ausführlich lesen

Der Beitrag von Itsuki behandelt ein Problem bei der Visualisierung von Datensätzen mit Array-Spalten in AWS QuickSight: Laut Autor unterstützt QuickSight Arrays nicht als eigenen Datentyp, sodass eine solche Spalte als Zeichenkette eingelesen werden kann. Am Beispiel des MovieLens-Datensatzes zeigt der Beitrag, warum das beim Filtern stört. Die Spalte „genres“ enthält mehrere Genres je Film. Eine Filterliste führt daher zu Einträgen für ganze Genre-Kombinationen; ein benutzerdefinierter Filter erlaubt zwar die manuelle Eingabe eines Genres, setzt aber voraus, dass man die möglichen Werte kennt.

Als Lösung empfiehlt der Autor, die Array-Werte vor dem Import in QuickSight in einzelne Zeilen aufzulösen. Dazu lädt er die CSV-Datei in ein pandas-DataFrame und ersetzt fehlende Werte durch leere Zeichenketten. Anschließend teilt er die Genre-Zeichenketten anhand des Trennzeichens „|“ in Listen auf. Eine im Beitrag zunächst erwogene Umwandlung mit `literal_eval` habe bei ihm nicht gut funktioniert. Stattdessen erstellt er manuell Zeilenpaare aus dem ursprünglichen Index und den einzelnen Genre-Werten, verbindet diese mit dem Ausgangs-DataFrame und räumt danach die Hilfsspalten auf. So erhält jeder Film für jedes Genre eine eigene Zeile. Das Ergebnis wird als CSV gespeichert und in QuickSight geladen.

Für den Vergleich erstellt der Autor erneut ein Liniendiagramm nach Jahr. Weil Filme durch das Auflösen mehrfach vorkommen können, zählt er die `movieId` nun eindeutig, also als „Count distinct“. Nach seiner Darstellung entspricht die Gesamtkurve damit der ursprünglichen Darstellung. Zusätzlich lässt sich eine Filterliste für „genres“ verwenden, mit der einzelne Genres auswählbar sind, ohne ihre Namen manuell einzugeben. Der Autor führt aus, dass die aufgelöste Struktur darüber hinaus weitere Visualisierungsmöglichkeiten eröffnet.

Der Bericht demonstriert die Methode anhand eines MovieLens-Beispiels. Für die Zeitachse ergänzt der Autor ein künstliches YEAR-Feld; das Veröffentlichungsjahr aus den Filmtiteln hält er für diese Demonstration für wenig geeignet. Der Artikel behandelt ausdrücklich nur den Nutzen des Auflösens für Filter und zeigt keine weiteren Visualisierungen im Detail. Er berichtet auch keine systematische Prüfung anderer Datensätze oder eine Bewertung möglicher Nachteile der Umformung. Die Aussagen zu besserer Filterbarkeit und gleicher Gesamtkurve beziehen sich daher auf das gezeigte Beispiel.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: ok

Beide Zusammenfassungen (kurz und mittel) wurden geprüft. Beide geben den Bericht treu wieder und enthalten keine erfundenen Angaben. Die genannten fehlenden Punkte sind nebensächlich und gelten für beide gleichermaßen. Es wurden weder Sammel- noch Teilfragen angegeben, daher bleibt die Einordnung leer.

Im Bericht, aber nicht in der Zusammenfassung

  • Der Autor bezeichnet das Aufteilen der Arrays ausdrücklich als seine persönliche Empfehlung („best practice“)
  • Das künstliche Jahresfeld wurde gewählt, weil die aus den Titeln extrahierten Jahre fast alle um 1995 liegen

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle

Kein Modell sieht bei diesem Bericht einen Bezug zu einer der 44 Sammelfragen.

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →