RとApache Arrow / r-and-apache-arrow

Apache Arrow東京ミートアップ2019の発表スライドです。

[参考リンク]
Apache Arrow
https://arrow.apache.org/

sparklyrの高速化について
https://arrow.apache.org/blog/2019/01/25/r-spark-improvements/

ParquetやFeatherの読み書きの速度比較について
https://ursalabs.org/blog/2019-10-columnar-perf/

dplyrバックエンドの実装はこのへん
https://github.com/apache/arrow/blob/master/r/R/dplyr.R （dplyrの各種メソッドの実装）
https://github.com/apache/arrow/blob/master/r/R/dataset.R （Dataset APIへのバインディング）

Transcript

1. RとApache Arrow 2019/12/11 Apache Arrow東京ミートアップ2019 @yutannihilation
2. ドーモ！！ • Hiroaki Yutani (@yutannihilation) • 某メッセージングアプリ会社で データサイエンティスト見習い • 好きな言語：R、忍殺語 • ggplot2のメンテナ
3. Apache Arrowに、Rユーザーの こんな悩みを解決してほしい • 他のシステム（Spark、DB）からデータ を取ってくるのが大変... – Java関連のセットアップが難しい – コピー・変換が遅い
4. Apache Arrowに、Rユーザーの こんな悩みを解決してほしい • 他のデータ分析者（具体的にはPython） とデータを共有するのが大変... – CSVファイルで表現できないデータ型、 パース方法の差異 – メモリに乗りきらない巨大なデータ
5. • Sparkとの効率的なデータのやりとり (sparklyrパッケージ) • ParquetやFeatherのデータを読み書き (arrowパッケージ) RとApache Arrow
6. R Spark sparklyr ①Sparkからデータを読み込み ②何らかの 　処理 ③Sparkにデータを返す 例：Spark
7. R Spark sparklyr ①Sparkからデータを読み込み ②何らかの 　処理 ③Sparkにデータを返す 例：Spark コピー と変換 ここが遅い
8. 例：Spark • 以前：一度データをディスクに書いてか らSparkとやりとりするので遅い • 現在：Apache Arrowフォーマットで Sparkと直接やりとりできるようになった （SparkRは3.0からなのでまだ） ※コピーは発生する
9. 例：Spark(sparklyr) （https://arrow.apache.org/blog/2019/01/25/r-spark-improvements/ の図） Spark → R R → Spark Apache Arrowあり
10. 例: Parquet • read_parquet()・write_parquet()で Parquetファイルを読み書きできる • 指定した列だけを読むこともできる！ （pushdown） → つまり、メモリに乗らず読めなかった データも読めるようになるかも
11. Parquet/Featherの読み書きは data.table::fread()より速い!! （https://ursalabs.org/blog/2019-10-columnar-perf/ の図） data.table arrow(feather)
12. Python派の人との データ共有にも便利 （https://ursalabs.org/blog/2019-10-columnar-perf/ の図） pyarrow 速い...
13. Parquetファイルの読み書き dplyr::select()と同じ指定で列を絞り込み arrow::read_parquet("tmp.parquet") arrow::read_parquet("tmp.parquet", starts_with("Sepal")) arrow::write_parquet(iris, "tmp.parquet")
14. 開発の進展 • CRANに登録されたのでインストールもお 手軽になった • dplyrのバックエンドも開発中 • Feather v2、Arrow Flight関連は進展なし
15. インストールがお手軽に • これだけでOK install.packages("arrow")
16. dplyrのバックエンド • dplyrの文法でデータ操作をすればArrow のデータ操作に翻訳してくれる • select（列の絞り込み）→ 対応済み • filter（行の絞り込み） → 対応済み • mutate（値の操作）→ 未対応 　　　※Rのデータに変換してから処理
17. dplyrのバックエンド • Gandivaでできる範囲はだいたい実装済み で、mutate()は計算カーネルを使うC++ APIができるの待ち、という感じ？ • Sparkのデータに関してはsparklyrがある ので、これ以上具体的なユースケースが思 いつかない...
18. Feather v2 • 「feather」は、Arrowの仕様のすべてを サポートする「on-disk版のArrow format」を指す名前になる予定らしい （詳しくは ARROW-5510 を参照）
19. まとめ • Spark ↔ Rのデータのやりとりが高速に • Parquetファイルが読み書きできる • CRANからインストールできる • dplyrバックエンドも開発中