PolarsとPanderaで実現する高速でロバストなデータ処理

Transcript

1. PolarsとPanderaで実現する 高速でロバストなデータ処理 みんなのPython勉強会 #102 Mar. 28 2024 - Chiaki Ichimura © 2024 Wantedly, Inc.
2. 自己紹介 市村千晃 • 経歴 ◦ SE, PM, DS@SIer（2017/4 ~ 2024/2） ◦ DS@ウォンテッドリー株式会社（2024/3~） • 興味 ◦ データ分析・機械学習 ◦ 推薦システム © 2024 Wantedly, Inc. @chimuichimu1
3. データ分析・機械学習のフロー © 2024 Wantedly, Inc. データ処理 データ準備 分析 価値提供 評価
4. データ分析・機械学習のフロー © 2024 Wantedly, Inc. データ処理 データ準備 分析 価値提供 評価
5. データ処理における課題 • 実行時間 ◦ 処理に時間がかかり、分析のサイクルを回すボトルネックに • データ品質 ◦ 想定外のデータや意図しない処理が、誤った分析やモデルの性能劣 化につながる • 可読性 ◦ データの内容をコードから読み取るのが難しく、処理がブラックボック ス化しがち © 2024 Wantedly, Inc.
6. やりたいこと データ処理を 高速かつロバストに実行したい © 2024 Wantedly, Inc.
7. やりたいこと データ処理を 高速かつロバストに実行したい © 2024 Wantedly, Inc. Polars Pandera
8. Polarsとは？ • Rustで実装されたテーブルデータ処理用のライブラリ • 並列処理や遅延評価の仕組みにより高速なデータ処理を実現 © 2024 Wantedly, Inc. https://github.com/pola-rs/polars
9. Polarsってどれくらい早いの？ © 2024 Wantedly, Inc. https://pola.rs/posts/benchmarks/
10. Polarsってどれくらい早いの？ © 2024 Wantedly, Inc. https://pola.rs/posts/benchmarks/ Pandasが21秒かかる処理（※）を Polarsは1秒未満で実行 ※ファイル読み込み -> 結合 -> フィルタ -> 演算 -> 集約 -> ソート
11. Panderaとは？ • テーブルデータに対するバリデーション機能を提供するライブラリ • 2024/3のリリースでPolarsのサポートを開始（注：現時点ではベータ版） © 2024 Wantedly, Inc. https://pandera--1373.org.readthedocs.build/en/1373/polars.html#polars
12. Panderaとは？ © 2024 Wantedly, Inc. データが満たすべき性質を スキーマとしてコードに定義 （型、最大値、最小値、非null…） データがスキーマを満たすかを チェック 基本的な使い方 https://pandera--1373.org.readthedocs.build/en/1373/polars.html#polars
13. Panderaを使うメリット © 2024 Wantedly, Inc. 不正な値が入力されると エラーが発生 データ品質の担保 SchemaError: Column 'price' failed validator number 0: <Check in_range: in_range(5, 20)> failure cases: shape: (1, 1) 想定外のデータや 意図しない処理に気づける🙆
14. Panderaを使うメリット © 2024 Wantedly, Inc. 可読性の向上 どんなデータが入出力されるか？を コードから読み取れる🙆 データが満たすべき性質を スキーマとしてコードに定義
15. データ処理における課題 まとめ © 2024 Wantedly, Inc. 実行時間 データ品質 可読性 Polarsによる データ処理 高速かつロバストなデータ処理を実現 Panderaによる スキーマ定義とバリデーション