ストリーミングエンジンとGPUエンジンの活用

Polars によるデータパイプラインのスケーリングと最適化

Liam Brannigan

Data Scientist & Polars Contributor

クエリ実行エンジン

APIからクエリオプティマイザーを経てインメモリエンジンへのフロー図。

クエリ実行エンジン

APIからクエリオプティマイザーを経てインメモリエンジンへのフロー図。

クエリ実行エンジン

APIからクエリオプティマイザーを経てインメモリエンジンおよびストリーミングエンジンへのフロー図。

クエリ実行エンジン

APIからクエリオプティマイザーを経てインメモリ、ストリーミング、GPUエンジンへのフロー図。

遅延リクエストの集計

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

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

デフォルトエンジンの使用

query.collect()

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

ストリーミングエンジンの指定

query.collect(
    engine="streaming"
)

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

ストリーミングエンジンの指定

大きなテーブルがストリーミングされているイメージ。

サポートされていないストリーミング処理は自動的にデフォルトエンジンにフォールバックされます

ストリーミングエンジンの指定

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

GPUエンジンの指定

query.collect(
    engine="gpu"
)

NVIDIA GPU ハードウェアが必要です

エンジンの選択

まずデフォルトエンジンを使用し、メモリが問題になる場合のみ変更する

メモリ外の大規模クエリにはストリーミングを使用する

速度が必要で NVIDIA ハードウェアがある場合はGPUを使用する

エンジンの選択

バッチ処理

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

各バッチの処理

for batch in completed_requests.collect_batches(

):

各バッチの処理

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

各バッチの処理

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)

練習しましょう！

Polars によるデータパイプラインのスケーリングと最適化