chDB で Apache Arrow をクエリする方法

Apache Arrow は、データコミュニティで広く利用されている標準化されたカラム指向の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

まずは仮想環境を作成します：

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"

それでは、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コマンドは ipython を使って実行します。次のコマンドを実行して起動してください：

ipython

このコードは、Python スクリプトやお好みのノートブック環境でも使用できます。

ファイルから Apache Arrow テーブルを作成する

まず、Ookla データセットの Parquet ファイルの一つを、AWS CLI ツールを使ってダウンロードします。

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

より多く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一覧を表示し、それに合わせて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

次に、Parquet ファイルを Apache Arrow のテーブルとして読み込みます:

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

スキーマは次のとおりです。

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 属性から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

ここでは、chDB から Apache Arrow テーブルをクエリしてみましょう。 まず、chDB をインポートします。

import chdb

次に、テーブルの構造を確認します。

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

行数も取得できます。

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

   count()
0  3864546

では、もう少し興味深いことをしてみましょう。 次のクエリは quadkey と tile.* カラムを除外したうえで、残りのすべてのカラムについて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