數(shù)據(jù)分析和機器學習

大數(shù)據(jù)基本都是建立在Hadoop系統(tǒng)的生態(tài)上的，其實一個Java的環(huán)境。很多人喜歡用Python和R來進行數(shù)據(jù)分析，但是這往往對應(yīng)一些小數(shù)據(jù)的問題，或者本地數(shù)據(jù)處理的問題。如何將二者進行結(jié)合使其具有更大的價值?Hadoop現(xiàn)有的生態(tài)系統(tǒng)和現(xiàn)有的Python環(huán)境如上圖所示。

MaxCompute

MaxCompute是面向離線計算的大數(shù)據(jù)平臺，提供TB/PB級的數(shù)據(jù)處理，多租戶、開箱即用、隔離機制確保安全。MaxCompute上主要分析的工具就是SQL，SQL非常簡單、容易上手，屬于描述型。Tunnel提供數(shù)據(jù)上傳下載通道，不需要經(jīng)過SQL引擎的調(diào)度。

Pandas

Pandas是基于numpy的數(shù)據(jù)分析的工具，里面最重要的結(jié)構(gòu)是DataFrame，提供一系列繪圖的API，背后是matplotlib的操作，非常容易和Python第三方庫交互。

PyODPS架構(gòu)

PyODPS即利用Python進行大數(shù)據(jù)分析，其架構(gòu)如上圖所示。底層是基礎(chǔ)API，可以利用其操作MaxCompute上的表、函數(shù)或者資源。再上面是DataFrame框架，DataFrame包括兩部分，一部分是前端，定義了一套表達式的操作，用戶寫的代碼會轉(zhuǎn)化成表達式樹，這與普通的語言是一樣的。用戶可以自定義函數(shù)，也可以進行可視化，與第三方庫進行交互。后端最下面是Optimizer，其作用是對表達式樹進行優(yōu)化。ODPS和pandas都是通過compiler和analyzer提交到Engine來執(zhí)行。

背景

為什么要做DataFrame框架?

對于任何一個大數(shù)據(jù)分析工具，都會面臨三個維度上的問題：表達力，API、語法、編程語言是否簡單、符合直覺?數(shù)據(jù)，存儲、元數(shù)據(jù)是否能壓縮、有效?引擎，計算的性能是否足夠?所以就會面臨pandas和SQL兩個選擇。

如上圖所示，pandas的表達力非常好，但是其數(shù)據(jù)只能放在內(nèi)存中，引擎是單機的，受限于本機的性能。SQL的表達力有限，但是可以用于大量的數(shù)據(jù)，數(shù)據(jù)量小的時候沒有引擎的優(yōu)勢，數(shù)據(jù)量大的時候引擎會變得很有優(yōu)勢。ODPS的目標是綜合這兩者的優(yōu)點。

PyODPS DataFrame

PyODPS DataFrame是使用Python語言寫的，可以使用Python的變量、條件判斷、循環(huán)?？梢允褂胮andas類似的語法，定義了自己的一套前端，有了更好的表達力。后端可以根據(jù)數(shù)據(jù)來源來決定具體執(zhí)行的引擎，是visitor的設(shè)計模式，可擴展。整個執(zhí)行是延遲執(zhí)行，除非用戶調(diào)用立即執(zhí)行的方法，否則是不會直接執(zhí)行的。

從上圖中可以看出，語法非常類似于pandas。

表達式和抽象語法樹

從上圖可以看出，用戶從一個原始的Collection來進行GroupBy操作，再進行列選擇的操作，最下面是Source的Collection。取了兩個字段species，這兩個字段是做By操作的，pental_length是進行聚合的操作取聚合值。Species字段是直接取出來，shortest字段是進行加一的操作。

Optimizer(操作合并)

后端首先會使用Optimizer對表達式樹進行優(yōu)化，先做GroupBy，然后在上面做列選擇，通過操作合并可以去除petal_length做聚合操作，再加一，最終形成了GroupBy的Collection。

Optimizer(列剪枝)

用戶join了兩個data frame，再取來自data frame 的兩個列的時候，如果提交到一個大數(shù)據(jù)的環(huán)境，這樣一個過程是非常低下的，因為不是每個列都用到了。所以要對joined下的列進行剪枝操作。比如，data frame1我們只用到了其中的一個字段，我們只需要將字段截取出來做一個projection來形成新的Collection，data frame2也類似。這樣，對這兩部分進行校驗操作的時候就能極大的減少數(shù)據(jù)的輸出量。

Optimizer(謂詞下推)

如果對兩個data frame進行joined然后再分別進行過濾的話，這個過濾操作是應(yīng)該下推到下面來執(zhí)行的，這樣就能減少joined 的輸入的量。

可視化

提供了visualize()來方便用戶進行可視化。在右邊的例子中可以看到，ODSP SQL后端會compile成一條SQL執(zhí)行。

后端

從上圖中可以看出，計算后端是非常靈活的。用戶甚至可以joined一個pandas的data frame和maxcompute上一個表的數(shù)據(jù)。

Analyzer

Analyzer的作用是針對具體的后端，將一些操作進行轉(zhuǎn)化。比如：

• 有些操作比如value_counts，pandas本身支持，因此對于pandas后端，無需處理;對于ODPS SQL后端，沒有一個直接的操作來執(zhí)行，所以在analyzer執(zhí)行的時候，會被改寫成groupby + sort的操作;
• 還有一些算子，在compile到ODPS SQL時，沒有內(nèi)建函數(shù)能完成，會被改寫成自定義函數(shù)。

ODPS SQL后端

ODPS SQL后端怎么進行SQL編譯再執(zhí)行的操作?編譯器可以從上到下遍歷表達式樹，找到Join或者Union。對于子過程，進行遞歸compile。再到Engine來具體執(zhí)行時，會使用Analyzer對表達式樹進行改寫，compile自上而下的子過程，自底向上compile成SQL子句，最終得到完整的SQL語句，提交SQL并返回任務(wù)。

pandas后端

首先訪問這個表達式樹，然后對每個表達式樹節(jié)點對應(yīng)到pandas操作，整個表達式樹遍歷完之后就會形成DAG。Engine執(zhí)行按DAG拓撲順序執(zhí)行，不斷地把它應(yīng)用到pandas操作，最終得到一個結(jié)果。對于大數(shù)據(jù)環(huán)境來說，pandas后端的作用是做本地DEBUG;當數(shù)據(jù)量很小時，我們可以使用pandas進行計算。

難點+坑

• 后端編譯出錯容易丟失上下文，多次optimize和analyze，導(dǎo)致難以查出是之前哪處visit node導(dǎo)致。解決：保證每個模塊獨⽴立性、測試完備;
• bytecode兼容問題，maxcompute只支持Python2.7的自定義函數(shù)的執(zhí)行;
• SQL的執(zhí)行順序。

ML機器學習

機器學習是輸入輸出一個data frame。比如，有一個iris的data frame，先用name字段來做一個分類字段，調(diào)用split方法將其分成60%的訓(xùn)練數(shù)據(jù)和40%的測試數(shù)據(jù)。然后初始化一個RandomForests，其里面有一棵決策樹，調(diào)用train方法訓(xùn)練訓(xùn)練數(shù)據(jù)，調(diào)用predict方法形成一個預(yù)測數(shù)據(jù)，調(diào)用segments[0]就可以看到可視化結(jié)果。

未來計劃

分布式numpy，DataFrame基于分布式numpy的后端;

內(nèi)存計算，提升交互式體驗;

Tensorflow。