Ejecución eficaz de consultas

Escala y optimiza canalizaciones de datos con Polars

Liam Brannigan

Data Scientist & Polars Contributor

Conoce a tu instructor

$$

$$

  • Liam Brannigan, Lead Data Scientist
  • Especialista en ML e ingeniería de datos
  • Colaborador de Polars

Foto de Liam Brannigan, el instructor del curso

Escala y optimiza canalizaciones de datos con Polars

Del portátil a la nube

Pipeline de Polars escalando del portátil a la nube

Escala y optimiza canalizaciones de datos con Polars

¿Es este curso para ti?

Páginas del curso de Polars

  • Crear una consulta perezosa con scan_csv
  • Escribir expresiones con filter, select y group_by
Escala y optimiza canalizaciones de datos con Polars

Capítulo 1: optimización

Optimización de consultas

Escala y optimiza canalizaciones de datos con Polars

Capítulo 1: optimización

Optimización de consultas

Escala y optimiza canalizaciones de datos con Polars

Capítulo 2: E/S eficaz

Imagen de Polars ingiriendo varios tipos de archivo

Escala y optimiza canalizaciones de datos con Polars

Capítulo 3: tipos más ricos

Diagrama de datos anidados transformados en tabla.

Escala y optimiza canalizaciones de datos con Polars

Capítulo 4: escalar pipelines

Imagen de una tabla grande transmitiéndose.

Escala y optimiza canalizaciones de datos con Polars

Conjunto de datos de solicitudes de Chicago

El equipo de analítica de datos del alcalde de Chicago

Escala y optimiza canalizaciones de datos con Polars

Inspeccionar el dataset

requests = pl.scan_csv("311_Service_Requests.csv",try_parse_dates=True)

Un conjunto de datos masivo con cada solicitud de servicio de la ciudadanía de Chicago

Escala y optimiza canalizaciones de datos con Polars

Inspeccionar el dataset

requests.collect()
Escala y optimiza canalizaciones de datos con Polars

Inspeccionar el dataset

requests.collect().head(5)
shape: (5, 39)
| TYPE                          | STATUS    | DEPARTMENT     | CREATED_DATE        | ... |
| ---                           | ---       | ---            | ---                 | --- |
| str                           | str       | str            | str                 | ... |
|-------------------------------|-----------|----------------|---------------------|-----|
| Pothole in Street Complaint   | Completed | Transportation | 2019-12-16T10:09:08 | ... |
| Tree Trim Request             | Cancelled | Sanitation     | 2019-09-18T01:05:08 | ... |
| Garbage Cart Maintenance      | Completed | Sanitation     | 2021-01-24T09:14:58 | ... |
| Pothole in Street Complaint   | Completed | Transportation | 2019-03-21T10:41:01 | ... |
| Recycling Pick Up             | Completed | Sanitation     | 2021-02-16T08:28:59 | ... |
Escala y optimiza canalizaciones de datos con Polars

Limitar filas procesadas

requests.head(5)
Escala y optimiza canalizaciones de datos con Polars

Limitar filas procesadas

requests.head(5).collect()
shape: (5, 39)
| TYPE                            | STATUS    | DEPARTMENT     | CREATED_DATE        | ... |
| ---                             | ---       | ---            | ---                 | --- |
| str                             | str       | str            | str                 | ... |
|---------------------------------|-----------|----------------|---------------------|-----|
| Pothole in Street Complaint     | Completed | Transportation | 2019-12-16T10:09:08 | ... |
| Tree Trim Request | Completed | Sanitation     | 2019-09-18T01:05:08 | ... |
| Garbage Cart Maintenance        | Completed | Sanitation     | 2021-01-24T09:14:58 | ... |
| Pothole in Street Complaint     | Completed | Transportation | 2019-03-21T10:41:01 | ... |
| Recycling Pick Up               | Completed | Sanitation     | 2021-02-16T08:28:59 | ... |
  • Retrasa la llamada a collect
Escala y optimiza canalizaciones de datos con Polars

Consulta: resumen por departamento

completed_by_department


Escala y optimiza canalizaciones de datos con Polars

Consulta: resumen por departamento

completed_by_department = requests


Escala y optimiza canalizaciones de datos con Polars

Consulta: resumen por departamento

completed_by_department = requests.filter(
    pl.col("STATUS") == "Completed"
)
Escala y optimiza canalizaciones de datos con Polars

Consulta: resumen por departamento

completed_by_department = requests.filter(
    pl.col("STATUS") == "Completed"
).collect()
Escala y optimiza canalizaciones de datos con Polars

Consulta: resumen por departamento

completed_by_department = requests.filter(
    pl.col("STATUS") == "Completed"
).collect().group_by("DEPARTMENT").len()
Escala y optimiza canalizaciones de datos con Polars

Consulta: resumen por departamento

completed_by_department = requests.filter(
    pl.col("STATUS") == "Completed"
).group_by("DEPARTMENT").len().collect()
shape: (10, 2)
| DEPARTMENT                     | len     |
| ---                            | ---     |
| str                            | u32     |
|-------------------------------|---------|
| 311 City Services              | 4859161 |
| Sanitation                     | 3406631 |
| Aviation                       | 2337842 |
| CDOT - Department of Transport | 1468240 |
Escala y optimiza canalizaciones de datos con Polars

Ramas de consulta divergentes

completed_by_department = requests.filter(
    pl.col("STATUS") == "Completed"
).group_by("DEPARTMENT").len()
completed_by_month = requests.filter(
    pl.col("STATUS") == "Completed"
).group_by("MONTH").len()
Escala y optimiza canalizaciones de datos con Polars

Cómo lo ejecuta hoy el equipo

completed_by_department.collect()
completed_by_month.collect()
Escala y optimiza canalizaciones de datos con Polars

Ejecutar consultas divergentes

results = pl.collect_all(


)
Escala y optimiza canalizaciones de datos con Polars

Ejecutar consultas divergentes

results = pl.collect_all([
    completed_by_department,
    completed_by_month,
])
Escala y optimiza canalizaciones de datos con Polars

Ejecutar consultas divergentes

results[0]  # completed_by_department
shape: (10, 2)
| DEPARTMENT           | len     |
| ---                  | ---     |
| str                  | u32     |
|----------------------|---------|
| 311 City Services    | 4859161 |
| Sanitation           | 3406631 |
| Aviation             | 2337842 |
| Transport            | 1468240 |
results[1]  # completed_by_month
shape: (12, 2)
| MONTH | len  |
| ---   | ---  |
| i64   | u32  |
|-------|------|
| 1     | 2506 |
| 2     | 4566 |
| 3     | 2739 |
| 4     | 2922 |
Escala y optimiza canalizaciones de datos con Polars

¡Vamos a practicar!

Escala y optimiza canalizaciones de datos con Polars

Preparing Video For Download...