Optymalizacja i plany zapytań

Skalowanie i optymalizacja potoków danych w Polars

Liam Brannigan

Data Scientist & Polars Contributor

Wprowadzenie do optymalizacji zapytań

Obraz tabeli z wierszami i kolumnami

Wprowadzenie do optymalizacji zapytań

Obraz tabeli z wierszami i kolumnami

Wprowadzenie do optymalizacji zapytań

Obraz operacji wykonywanych szeregowo

Wprowadzenie do optymalizacji zapytań

Obraz operacji wykonywanych równolegle

Wprowadzenie do optymalizacji zapytań

Potok z duplikowanymi operacjami wykonywanymi dwukrotnie

Wprowadzenie do optymalizacji zapytań

Potok z duplikowanymi operacjami wykonywanymi dwukrotnie

Największa liczba typów zgłoszeń według działu

department_request_types = (
    requests





)

Największa liczba typów zgłoszeń według działu

department_request_types = (
    requests
    .filter(pl.col("STATUS") == "Completed")




)

Największa liczba typów zgłoszeń według działu

department_request_types = (
    requests
    .filter(pl.col("STATUS") == "Completed")
    .group_by("DEPARTMENT")



)

Największa liczba typów zgłoszeń według działu

department_request_types = (
    requests    
    .filter(pl.col("STATUS") == "Completed")
    .group_by("DEPARTMENT")
    .agg(pl.col("TYPE").n_unique().alias("n_request_types"))


)

Największa liczba typów zgłoszeń według działu

department_request_types = (
    requests
    .filter(pl.col("STATUS") == "Completed")
    .group_by("DEPARTMENT")
    .agg(pl.col("TYPE").n_unique().alias("n_request_types"))
    .sort("n_request_types", descending=True)
    .head(5)
)

Plan naiwny

Plan nieoptymalizowany

print(department_request_types)

Plan nieoptymalizowany

print(department_request_types)








        Csv SCAN [311_Service_Requests.csv]
        PROJECT */39 COLUMNS

Plan nieoptymalizowany

print(department_request_types)






      FILTER [(col("STATUS")) == ("Completed")]
      FROM
        Csv SCAN [311_Service_Requests.csv]
        PROJECT */39 COLUMNS

Plan nieoptymalizowany

print(department_request_types)



    AGGREGATE[maintain_order: false]
      [col("TYPE").n_unique().alias("n_request_types")] BY [col("DEPARTMENT")]
      FROM
      FILTER [(col("STATUS")) == ("Completed")]
      FROM
        Csv SCAN [311_Service_Requests.csv]
        PROJECT */39 COLUMNS

Plan nieoptymalizowany

print(department_request_types)

SLICE[offset: 0, len: 5]
  SORT BY [descending: [true]] [col("n_request_types")]
    AGGREGATE[maintain_order: false]
      [col("TYPE").n_unique().alias("n_request_types")] BY [col("DEPARTMENT")]
      FROM
      FILTER [(col("STATUS")) == ("Completed")]
      FROM
        Csv SCAN [311_Service_Requests.csv]
        PROJECT */39 COLUMNS

Plan zoptymalizowany

print(department_request_types.explain())

Plan zoptymalizowany







        Csv SCAN [311_Service_Requests.csv]
        PROJECT 3/39 COLUMNS
        SELECTION: [(col("STATUS")) == ("Completed")]

Plan zoptymalizowany






      simple pi 2/2 ["TYPE", "DEPARTMENT"]
        Csv SCAN [311_Service_Requests.csv]
        PROJECT 3/39 COLUMNS
        SELECTION: [(col("STATUS")) == ("Completed")]

Plan zoptymalizowany



    AGGREGATE[maintain_order: false]
      [col("TYPE").n_unique().alias("n_request_types")] BY [col("DEPARTMENT")]
      FROM
      simple pi 2/2 ["TYPE", "DEPARTMENT"]
        Csv SCAN [311_Service_Requests.csv]
        PROJECT 3/39 COLUMNS
        SELECTION: [(col("STATUS")) == ("Completed")]

Plan zoptymalizowany

SORT BY [slice: (0, 10, ...), descending: [true]] [col("n_request_types")]
  FILTER col("n_request_types").dynamic_predicate() FROM
    AGGREGATE[maintain_order: false]
      [col("TYPE").n_unique().alias("n_request_types")] BY [col("DEPARTMENT")]
      FROM
      simple pi 2/2 ["TYPE", "DEPARTMENT"]
        Csv SCAN [311_Service_Requests.csv]
        PROJECT 3/39 COLUMNS
        SELECTION: [(col("STATUS")) == ("Completed")]

Znajdź 10 największych wartości w n_request_types
Odfiltruj pozostałe
Posortuj te 10 wierszy

Plan zoptymalizowany jako graf

print(department_request_types.show_graph())

Widok grafu zoptymalizowanego planu z zaznaczonymi optymalizacjami skanowania CSV.

Dalsze optymalizacje

(
    requests








)

Dalsze optymalizacje

(
    requests
    .filter(pl.col("STATUS") == "Completed")
    .filter(pl.col("DEPARTMENT") == "Sanitation")






)

Dalsze optymalizacje

(
    requests
    .filter(pl.col("STATUS") == "Completed")
    .filter(pl.col("DEPARTMENT") == "Sanitation")
    .with_columns(
        pl.col("TYPE").str.to_lowercase().alias("type_lower")
    )
    .with_columns(
        pl.col("STATUS").str.to_lowercase().alias("status_lower")
    )
)

Dalsze optymalizacje



  Csv SCAN [311_Service_Requests.csv]
  PROJECT */39 COLUMNS
  SELECTION: [([(col("DEPARTMENT")) == ("Sanitation")]) & ([(col("STATUS")) == ("Completed")])]

Połączony predykat AND

Dalsze optymalizacje

 WITH_COLUMNS:
 [col("TYPE").str.to_lowercase().alias("type_lower"), col("STATUS").str.to_lowercase().alias("status_lower")]
  Csv SCAN [311_Service_Requests.csv]
  PROJECT */39 COLUMNS
  SELECTION: [([(col("DEPARTMENT")) == ("Sanitation")]) & ([(col("STATUS")) == ("Completed")])]

Połączony predykat AND
Zgrupowane wyrażenia WITH_COLUMNS

Czas na praktykę!

Skalowanie i optymalizacja potoków danych w Polars