Потоковый и GPU-движки

Масштабирование и оптимизация конвейеров данных с Polars

Liam Brannigan

Data Scientist & Polars Contributor

Движки выполнения запросов

Схема потока запроса от API через оптимизатор запросов к движку в памяти.

Движки выполнения запросов

Схема потока запроса от API через оптимизатор запросов к движку в памяти.

Движки выполнения запросов

Схема потока запроса от API через оптимизатор запросов к движку в памяти и потоковому движку.

Движки выполнения запросов

Схема потока запроса от API через оптимизатор запросов к движку в памяти, потоковому и GPU-движку.

Ленивый запрос: сводка

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

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

Использование движка по умолчанию

query.collect()

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

Выбор потокового движка

query.collect(
    engine="streaming"
)

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

Выбор потокового движка

Изображение большой таблицы, передаваемой потоком.

Неподдерживаемые потоковые шаги автоматически переключаются на стандартный движок

Выбор потокового движка

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

Выбор GPU-движка

query.collect(
    engine="gpu"
)

Требуется аппаратное обеспечение NVIDIA GPU

Выбор движка

Сначала стандартный движок; переключайтесь только при нехватке памяти

Потоковый — для больших запросов, не помещающихся в памяти

GPU — для скорости, но только при наличии оборудования NVIDIA

Выбор движка

Обработка пакетами

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

Обработка каждого пакета

for batch in completed_requests.collect_batches(

):

Обработка каждого пакета

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

Обработка каждого 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 потренируемся!

Масштабирование и оптимизация конвейеров данных с Polars