Práce se streamovacím a GPU enginem

Scaling and Optimizing Data Pipelines with Polars

Liam Brannigan

Data Scientist & Polars Contributor

Enginy pro vykonávání dotazů

Vývojový diagram znázorňující cestu dotazu z API přes optimalizátor dotazů do in-memory enginu.

Enginy pro vykonávání dotazů

Vývojový diagram znázorňující cestu dotazu z API přes optimalizátor dotazů do in-memory enginu.

Enginy pro vykonávání dotazů

Vývojový diagram znázorňující cestu dotazu z API přes optimalizátor dotazů do in-memory a streamovacího enginu.

Enginy pro vykonávání dotazů

Vývojový diagram znázorňující cestu dotazu z API přes optimalizátor dotazů do in-memory, streamovacího a GPU enginu.

Líný souhrn požadavků

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

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

Použití výchozího enginu

query.collect()

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

Cílení na streamovací engine

query.collect(
    engine="streaming"
)

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

Cílení na streamovací engine

Obrázek velké tabulky zpracovávané streamováním.

Nepodporované streamovací kroky automaticky přejdou na výchozí engine

Cílení na streamovací engine

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

Cílení na GPU engine

query.collect(
    engine="gpu"
)

Vyžaduje hardware NVIDIA GPU

Výběr enginu

Nejprve výchozí engine; přepněte pouze při nedostatku paměti

Streamovací engine pro velké dotazy přesahující paměť

GPU engine pro rychlost, ale pouze při dostupnosti hardwaru NVIDIA

Výběr enginu

Zpracování v dávkách

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

Zpracování každé dávky

for batch in completed_requests.collect_batches(

):

Zpracování každé dávky

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

Zpracování každé dávky

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)

Pojďme procvičovat!

Scaling and Optimizing Data Pipelines with Polars