Arbeta med streaming- och GPU-motorer

Skalning och optimering av datapipelines med Polars

Liam Brannigan

Data Scientist & Polars Contributor

Frågekörningsmotorer

Flödesdiagram som jämför en fråga från API:t, via frågeoptimeringen till minnesmotorn.

Skalning och optimering av datapipelines med Polars

Frågekörningsmotorer

Flödesdiagram som jämför en fråga från API:t, via frågeoptimeringen till minnesmotorn.

Skalning och optimering av datapipelines med Polars

Frågekörningsmotorer

Flödesdiagram som jämför en fråga från API:t, via frågeoptimeringen till minnes- och streammotorerna.

Skalning och optimering av datapipelines med Polars

Frågekörningsmotorer

Flödesdiagram som jämför en fråga från API:t, via frågeoptimeringen till minnes-, stream- och GPU-motorerna.

Skalning och optimering av datapipelines med Polars

En lat ärendesammanfattning

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

query = (
    requests
    .filter(pl.col("STATUS") == "Completed")
    .group_by("DEPARTMENT")
    .len()
    .sort("len", descending=True)
)
Skalning och optimering av datapipelines med Polars

Använda standardmotorn

query.collect()

shape: (5, 2)
| DEPARTMENT        | len     |
| ---               | ---     |
| str               | u32     |
|-------------------|---------|
| 311 City Services | 4859161 |
| Sanitation        | 3406631 |
| Aviation          | 2337842 |
| Transportation    | 1468240 |
| Water             | 416535  |
Skalning och optimering av datapipelines med Polars

Använda streammotorn

query.collect(
    engine="streaming"
)

shape: (5, 2)
| DEPARTMENT        | len     |
| ---               | ---     |
| str               | u32     |
|-------------------|---------|
| 311 City Services | 4859161 |
| Sanitation        | 3406631 |
| Aviation          | 2337842 |
| Transportation    | 1468240 |
| Water             | 416535  |
Skalning och optimering av datapipelines med Polars

Använda streammotorn

Bild av en stor tabell som strömmas.

  • Steg som inte stöds av streaming faller automatiskt tillbaka på standardmotorn
Skalning och optimering av datapipelines med Polars

Använda streammotorn

import polars as pl
pl.Config.set_engine_affinity("streaming")
Skalning och optimering av datapipelines med Polars

Använda GPU-motorn

query.collect(
    engine="gpu"
)

$$

  • Kräver NVIDIA GPU-hårdvara
Skalning och optimering av datapipelines med Polars

Välja en motor

$$

  • Standardmotorn först; byt bara om minnet är en begränsning

$$

  • Streaming för stora frågor som inte ryms i minnet

$$

  • GPU för snabbhet, men bara om NVIDIA-hårdvara finns tillgänglig

Välja en motor

Skalning och optimering av datapipelines med Polars

Arbeta i batchar

completed_requests = (
    requests
    .filter(pl.col("STATUS") == "Completed")
    .select("SR_NUMBER", "TYPE", "DEPARTMENT", "CREATED_DATE")
)
Skalning och optimering av datapipelines med Polars

Bearbeta varje batch

for batch in completed_requests.collect_batches(

):
Skalning och optimering av datapipelines med Polars

Bearbeta varje batch

for batch in completed_requests.collect_batches(
    chunk_size=50_000,
):
Skalning och optimering av datapipelines med Polars

Bearbeta varje batch

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)
Skalning och optimering av datapipelines med Polars

Nu kör vi en övning!

Skalning och optimering av datapipelines med Polars

Preparing Video For Download...