そろそろ使ってみませんかApache Arrow / why-dont-you-arrow-now

Japan.R 2019のLTのスライドです。

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

Apache ArrowのPMC・須藤さんによる現状の紹介
https://www.clear-code.com/blog/2019/9/30.html

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/

Transcript

1. そろそろ使ってみませんか Apache Arrow 2019/12/07 Japan.R 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. 近況
5. Apache Arrowとは？ • オンメモリで大量のデータを扱うためのプ ラットフォームをつくるプロジェクト – オンメモリに適したデータフォーマット を定義 – そのフォーマットのデータを読み書きす るライブラリを様々な言語に提供
6. Apache Arrowがないとき... コピーと変換処理が発生しまくり！ （https://arrow.apache.org/ の図）
7. Apache Arrowがあるとき！！ 共有メモリ上で同じデータを見る （https://arrow.apache.org/ の図）
8. • ParquetやFeatherのデータを読み書き (arrowパッケージ) • Sparkとの効率的なデータのやりとり (sparklyrパッケージ) RとApache Arrow
9. Apache Parquetとは？ • 列指向のデータフォーマット • CSVと違って規格が決まっているので、 読み書きするソフトの挙動に左右されない （Apache Arrowを使えばなおさら安心！） • デフォルトで圧縮が効いている → 他言語との重いデータ共有に便利
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、全部読むとメモリに乗らず エラーになっていたデータも読めるかも
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. インストールがお手軽に • CRANに上がったので、これだけでOK！ install.packages("arrow")
15. Apache Sparkとは？ • ビッグデータの分散処理基盤・フレーム ワーク
16. 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
17. 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
18. 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
19. 例：Spark(sparklyr) （https://arrow.apache.org/blog/2019/01/25/r-spark-improvements/ の図） Spark → R R → Spark Apache Arrowあり
20. まとめ • Apache Arrowを使うと、 – 巨大なデータを保存・共有するのに便利 （例：Parquet、Feather） – 他のシステムと効率的にデータのやり取 りができる（例：sparklyr） • もうすぐ1.0なのでそろそろ使ってみよう！
21. 今日話せなかったこと • dplyrのバックエンドもあるっぽい • Featherは新フォーマット（v2）があるら しい 気になる方は、12/11開催の Apache Arrow東京ミートアップで！