使用流式与 GPU 引擎

使用 Polars 扩展与优化数据流水线

Liam Brannigan

Data Scientist & Polars Contributor

查询执行引擎

流程图：查询从 API，经查询优化器，至内存引擎。

查询执行引擎

流程图：查询从 API，经查询优化器，至内存引擎。

查询执行引擎

流程图：查询从 API，经查询优化器，至内存与流式引擎。

查询执行引擎

流程图：查询从 API，经查询优化器，至内存、流式与 GPU 引擎。

惰性请求汇总

requests = pl.scan_parquet("311_Service_Requests.parquet")

query = (
    requests
    .filter(pl.col("STATUS") == "Completed")
    .group_by("DEPARTMENT")
    .len()
    .sort("len", descending=True)
)

使用默认引擎

query.collect()

shape: (5, 2)
| DEPARTMENT        | len     |
| ---               | ---     |
| str               | u32     |
|-------------------|---------|
| 311 City Services | 4859161 |
| Sanitation        | 3406631 |
| Aviation          | 2337842 |
| Transportation    | 1468240 |
| Water             | 416535  |

使用流式引擎

query.collect(
    engine="streaming"
)

shape: (5, 2)
| DEPARTMENT        | len     |
| ---               | ---     |
| str               | u32     |
|-------------------|---------|
| 311 City Services | 4859161 |
| Sanitation        | 3406631 |
| Aviation          | 2337842 |
| Transportation    | 1468240 |
| Water             | 416535  |

使用流式引擎

大型表以流式方式处理的示意图。

不支持的流式步骤将自动回退到默认引擎

使用流式引擎

import polars as pl
pl.Config.set_engine_affinity("streaming")

使用 GPU 引擎

query.collect(
    engine="gpu"
)

需要 NVIDIA GPU 硬件

如何选择引擎

先用默认引擎；仅在内存受限时切换

流式适合超出内存的大查询

GPU追求速度，但需具备 NVIDIA 硬件

选择引擎

分批处理

completed_requests = (
    requests
    .filter(pl.col("STATUS") == "Completed")
    .select("SR_NUMBER", "TYPE", "DEPARTMENT", "CREATED_DATE")
)

处理每个批次

for batch in completed_requests.collect_batches(

):

处理每个批次

for batch in completed_requests.collect_batches(
    chunk_size=50_000,
):

处理每个批次

for batch in completed_requests.collect_batches(
    chunk_size=50_000,
):
    print(batch.shape)
    batch_json = batch.write_json()

(50000, 4)
(50000, 4)
...
(50000, 4)
(12409, 4)

¡Vamos a practicar!

使用 Polars 扩展与优化数据流水线