Apache ArrowをchDBでクエリする方法

Apache Arrowは、データコミュニティで人気を集めている標準化された列指向メモリフォーマットです。このガイドでは、Python テーブル関数を使用してApache Arrowをクエリする方法を学びます。

セットアップ

まず、仮想環境を作成しましょう：

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

次に、chDBをインストールします。 バージョン2.0.2以上であることを確認してください：

pip install "chdb>=2.0.2"

そして、次にPyArrow、pandas、およびipythonをインストールします：

pip install pyarrow pandas ipython

このガイドの残りの部分でコマンドを実行するために、ipythonを使用します。以下のコマンドを実行して起動できます：

ipython

Pythonスクリプトや好きなノートブックでコードを使用することもできます。

ファイルからApache Arrowテーブルを作成する

まず、AWS CLIツールを使用して、OoklaデータセットのParquetファイルの1つをダウンロードしましょう：

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

注記

他のファイルをダウンロードしたい場合は、aws s3 lsを使用してすべてのファイルのリストを取得し、その後上記のコマンドを更新してください。

次に、pyarrowパッケージからParquetモジュールをインポートします：

import pyarrow.parquet as pq

そして、ParquetファイルをApache Arrowテーブルに読み込むことができます：

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

スキーマは以下に示されています：

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

shape属性を呼び出すことで、行数と列数を取得できます：

arrow_table.shape

(3864546, 11)

Apache Arrowをクエリする

次に、chDBからArrowテーブルをクエリしましょう。 まず、chDBをインポートします：

import chdb

次に、テーブルの説明を行うことができます：

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

行数をカウントすることもできます：

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

   count()
0  3864546

さて、少し興味深いことをしましょう。 以下のクエリは、quadkeyとtile.*列を除外し、残りのすべての列の平均値と最大値を計算します：

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