Praca z silnikami strumieniowym i GPU

Skalowanie i optymalizacja potoków danych w Polars

Liam Brannigan

Data Scientist & Polars Contributor

Silniki wykonywania zapytań

Diagram przepływu porównujący zapytanie przechodzące z API przez optymalizator zapytań do silnika in-memory.

Silniki wykonywania zapytań

Diagram przepływu porównujący zapytanie przechodzące z API przez optymalizator zapytań do silnika in-memory.

Silniki wykonywania zapytań

Diagram przepływu porównujący zapytanie przechodzące z API przez optymalizator zapytań do silników in-memory i strumieniowego.

Silniki wykonywania zapytań

Diagram przepływu porównujący zapytanie przechodzące z API przez optymalizator zapytań do silników in-memory, strumieniowego i GPU.

Leniwe podsumowanie zgłoszeń

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

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

Domyślny silnik w praktyce

query.collect()

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

Wybór silnika strumieniowego

query.collect(
    engine="streaming"
)

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

Wybór silnika strumieniowego

Obraz dużej tabeli przetwarzanej strumieniowo.

Nieobsługiwane kroki strumieniowe automatycznie przełączają się na silnik domyślny

Wybór silnika strumieniowego

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

Wybór silnika GPU

query.collect(
    engine="gpu"
)

Wymaga sprzętu z kartą graficzną NVIDIA

Wybór silnika

Zacznij od silnika domyślnego; zmieniaj tylko wtedy, gdy pamięć jest problemem

Strumieniowy — do dużych zapytań przekraczających dostępną pamięć

GPU — dla szybkości, ale tylko przy dostępnym sprzęcie NVIDIA

Wybór silnika

Przetwarzanie wsadowe

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

Przetwarzanie każdej partii

for batch in completed_requests.collect_batches(

):

Przetwarzanie każdej partii

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

Przetwarzanie każdej partii

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)

Czas na praktykę!

Skalowanie i optymalizacja potoków danych w Polars