Робота з потоковим і GPU-рушіями

Масштабування й оптимізація конвеєрів даних з Polars

Liam Brannigan

Data Scientist & Polars Contributor

Рушії виконання запитів

Блок-схема: запит іде з API через оптимізатор запитів до in-memory рушія.

Рушії виконання запитів

Блок-схема: запит іде з API через оптимізатор запитів до in-memory рушія.

Рушії виконання запитів

Блок-схема: запит іде з API через оптимізатор запитів до in-memory і потокового рушіїв.

Рушії виконання запитів

Блок-схема: запит іде з API через оптимізатор запитів до in-memory, потокового та GPU рушіїв.

Ліниве зведення запитів

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

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

Використання рушія за замовчуванням

query.collect()

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

Використання потокового рушія

query.collect(
    engine="streaming"
)

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

Використання потокового рушія

Зображення потокової обробки великої таблиці.

Непідтримувані кроки в потоці автоматично переходять на рушій за замовчуванням

Використання потокового рушія

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

Використання GPU-рушія

query.collect(
    engine="gpu"
)

Потрібне обладнання з NVIDIA GPU

Вибір рушія

Спершу рушій за замовчуванням; перемикайтесь лише за браку пам'яті

Потоковий для великих запитів, що не вміщаються в пам'ять

GPU для швидкості, лише якщо доступне обладнання NVIDIA

Вибір рушія

Пакетна обробка

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

Обробка кожного пакета

for batch in completed_requests.collect_batches(

):

Обробка кожного пакета

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

Обробка кожного пакета

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)

Давайте потренуємось!

Масштабування й оптимізація конвеєрів даних з Polars