Как выполнять запросы к Apache Arrow с помощью chDB

Apache Arrow — это стандартизированный колонкоориентированный формат памяти, который набирает популярность в сообществе данных.
В этом руководстве мы научимся запрашивать Apache Arrow с помощью табличной функции Python.

Настройка

Сначала давайте создадим виртуальное окружение:

python -m venv .venv
source .venv/bin/activate

А теперь установим chDB. Убедитесь, что у вас версия 2.0.2 или выше:

pip install "chdb>=2.0.2"

Теперь мы установим PyArrow, pandas и ipython:

pip install pyarrow pandas ipython

Мы будем использовать ipython для выполнения команд в остальной части руководства, который вы можете запустить, выполнив:

ipython

Вы также можете использовать код в Python-скрипте или в своем любимом блокноте.

Создание таблицы Apache Arrow из файла

Сначала давайте скачем один из файлов Parquet из набора данных Ookla, используя инструмент AWS CLI:

aws s3 cp \
  --no-sign \
  s3://ookla-open-data/parquet/performance/type=mobile/year=2023/quarter=2/2023-04-01_performance_mobile_tiles.parquet .

примечание

Если вы хотите скачать больше файлов, используйте aws s3 ls, чтобы получить список всех файлов, а затем обновите вышеуказанную команду.

Далее мы импортируем модуль Parquet из пакета pyarrow:

import pyarrow.parquet as pq

Затем мы можем прочитать файл Parquet в таблицу Apache Arrow:

arrow_table = pq.read_table("./2023-04-01_performance_mobile_tiles.parquet")

Схема представлена ниже:

arrow_table.schema

quadkey: string
tile: string
tile_x: double
tile_y: double
avg_d_kbps: int64
avg_u_kbps: int64
avg_lat_ms: int64
avg_lat_down_ms: int32
avg_lat_up_ms: int32
tests: int64
devices: int64

И мы можем получить количество строк и колонок, вызвав атрибут shape:

arrow_table.shape

(3864546, 11)

Запросы к Apache Arrow

Теперь давайте запросим таблицу Arrow из chDB.
Сначала импортируем chDB:

import chdb

Затем мы можем описать таблицу:

chdb.query("""
DESCRIBE Python(arrow_table)
SETTINGS describe_compact_output=1
""", "DataFrame")

               name     type
0           quadkey   String
1              tile   String
2            tile_x  Float64
3            tile_y  Float64
4        avg_d_kbps    Int64
5        avg_u_kbps    Int64
6        avg_lat_ms    Int64
7   avg_lat_down_ms    Int32
8     avg_lat_up_ms    Int32
9             tests    Int64
10          devices    Int64

Мы также можем посчитать количество строк:

chdb.query("SELECT count() FROM Python(arrow_table)", "DataFrame")

   count()
0  3864546

Теперь давайте сделаем что-то немного более интересное.
Следующий запрос исключает колонки quadkey и tile.* и затем вычисляет средние и максимальные значения для всех оставшихся колонок:

chdb.query("""
WITH numericColumns AS (
  SELECT * EXCEPT ('tile.*') EXCEPT(quadkey)
  FROM Python(arrow_table)
)
SELECT * APPLY(max), * APPLY(avg) APPLY(x -> round(x, 2))
FROM numericColumns
""", "Vertical")

Row 1:
──────
max(avg_d_kbps):                4155282
max(avg_u_kbps):                1036628
max(avg_lat_ms):                2911
max(avg_lat_down_ms):           2146959360
max(avg_lat_up_ms):             2146959360
max(tests):                     111266
max(devices):                   1226
round(avg(avg_d_kbps), 2):      84393.52
round(avg(avg_u_kbps), 2):      15540.4
round(avg(avg_lat_ms), 2):      41.25
round(avg(avg_lat_down_ms), 2): 554355225.76
round(avg(avg_lat_up_ms), 2):   552843178.3
round(avg(tests), 2):           6.31
round(avg(devices), 2):         2.88