免费开通大数据服务：https://www.aliyun.com/product/odps

在2016年10月的云栖社区在线培训上，来自阿里云大数据事业部的秦续业分享了《双剑合壁——Python和大数据计算平台的结合实战》。他主要介绍了数据分析和机器学习的方法、DataFrame整体架构以及基础API、前端、后端、机器学习的具体实现方法。

回顾视频链接：https://yq.aliyun.com/edu/lesson/play/396

本次视频直播的整理文章整理完毕，如下内容。

数据分析和机器学习

大数据基本都是建立在Hadoop系统的生态上的，其实一个Java的环境。很多人喜欢用Python和R来进行数据分析，但是这往往对应一些小数据的问题，或者本地数据处理的问题。如何将二者进行结合使其具有更大的价值？Hadoop现有的生态系统和现有的Python环境如上图所示。

MaxCompute

MaxCompute是面向离线计算的大数据平台，提供TB/PB级的数据处理，多租户、开箱即用、隔离机制确保安全。MaxCompute上主要分析的工具就是SQL，SQL非常简单、容易上手，属于描述型。Tunnel提供数据上传下载通道，不需要经过SQL引擎的调度。

Pandas

Pandas是基于numpy的数据分析的工具，里面最重要的结构是DataFrame，提供一系列绘图的API，背后是matplotlib的操作，非常容易和Python第三方库交互。

PyODPS架构

PyODPS即利用Python进行大数据分析，其架构如上图所示。底层是基础API，可以利用其操作MaxCompute上的表、函数或者资源。再上面是DataFrame框架，DataFrame包括两部分，一部分是前端，定义了一套表达式的操作，用户写的代码会转化成表达式树，这与普通的语言是一样的。用户可以自定义函数，也可以进行可视化，与第三方库进行交互。后端最下面是Optimizer，其作用是对表达式树进行优化。ODPS和pandas都是通过compiler和analyzer提交到Engine来执行。

背景

为什么要做DataFrame框架？

对于任何一个大数据分析工具，都会面临三个维度上的问题：表达力，API、语法、编程语言是否简单、符合直觉？数据，存储、元数据是否能压缩、有效？引擎，计算的性能是否足够？所以就会面临pandas和SQL两个选择。

如上图所示，pandas的表达力非常好，但是其数据只能放在内存中，引擎是单机的，受限于本机的性能。SQL的表达力有限，但是可以用于大量的数据，数据量小的时候没有引擎的优势，数据量大的时候引擎会变得很有优势。ODPS的目标是综合这两者的优点。

PyODPS DataFrame

PyODPS DataFrame是使用Python语言写的，可以使用Python的变量、条件判断、循环。可以使用pandas类似的语法，定义了自己的一套前端，有了更好的表达力。后端可以根据数据来源来决定具体执行的引擎，是visitor的设计模式，可扩展。整个执行是延迟执行，除非用户调用立即执行的方法，否则是不会直接执行的。

从上图中可以看出，语法非常类似于pandas。

表达式和抽象语法树

从上图可以看出，用户从一个原始的Collection来进行GroupBy操作，再进行列选择的操作，最下面是Source的Collection。取了两个字段species，这两个字段是做By操作的，pental_length是进行聚合的操作取聚合值。Species字段是直接取出来，shortest字段是进行加一的操作。

Optimizer（操作合并）

后端首先会使用Optimizer对表达式树进行优化，先做GroupBy，然后在上面做列选择，通过操作合并可以去除petal_length做聚合操作，再加一，最终形成了GroupBy的Collection。

Optimizer（列剪枝）

用户join了两个data frame，再取来自data frame 的两个列的时候，如果提交到一个大数据的环境，这样一个过程是非常低下的，因为不是每个列都用到了。所以要对joined下的列进行剪枝操作。比如，data frame1我们只用到了其中的一个字段，我们只需要将字段截取出来做一个projection来形成新的Collection，data frame2也类似。这样，对这两部分进行校验操作的时候就能极大的减少数据的输出量。

Optimizer（谓词下推）

如果对两个data frame进行joined然后再分别进行过滤的话，这个过滤操作是应该下推到下面来执行的，这样就能减少joined 的输入的量。

可视化

提供了visualize（）来方便用户进行可视化。在右边的例子中可以看到，ODSP SQL后端会compile成一条SQL执行。

后端

从上图中可以看出，计算后端是非常灵活的。用户甚至可以joined一个pandas的data frame和maxcompute上一个表的数据。

Analyzer

Analyzer的作用是针对具体的后端，将一些操作进行转化。比如：

• 有些操作比如value_counts，pandas本身支持，因此对于pandas后端，无需处理；对于ODPS SQL后端，没有一个直接的操作来执行，所以在analyzer执行的时候，会被改写成groupby + sort的操作；
  
• 还有一些算子，在compile到ODPS SQL时，没有内建函数能完成，会被改写成自定义函数。
  

ODPS SQL后端

ODPS SQL后端怎么进行SQL编译再执行的操作？编译器可以从上到下遍历表达式树，找到Join或者Union。对于子过程，进行递归compile。再到Engine来具体执行时，会使用Analyzer对表达式树进行改写，compile自上而下的子过程，自底向上compile成SQL子句，最终得到完整的SQL语句，提交SQL并返回任务。

pandas后端

首先访问这个表达式树，然后对每个表达式树节点对应到pandas操作，整个表达式树遍历完之后就会形成DAG。Engine执行按DAG拓扑顺序执行，不断地把它应用到pandas操作，最终得到一个结果。对于大数据环境来说，pandas后端的作用是做本地DEBUG；当数据量很小时，我们可以使用pandas进行计算。

难点+坑

• 后端编译出错容易丢失上下文，多次optimize和analyze，导致难以查出是之前哪处visit node导致。解决：保证每个模块独⽴立性、测试完备；
  
• bytecode兼容问题，maxcompute只支持Python2.7的自定义函数的执行；
  
• SQL的执行顺序。
  

ML机器学习

机器学习是输入输出一个data frame。比如，有一个iris的data frame，先用name字段来做一个分类字段，调用split方法将其分成60%的训练数据和40%的测试数据。然后初始化一个RandomForests，其里面有一棵决策树，调用train方法训练训练数据，调用predict方法形成一个预测数据，调用segments[0]就可以看到可视化结果。

未来计划

• 分布式numpy，DataFrame基于分布式numpy的后端；
  
• 内存计算，提升交互式体验；
  
• Tensorflow。
  

欢迎加入MaxCompute钉钉群讨论