配置

所有运行节点安装 pyarrow ，需要 >= 0.8

为什么会有 pandas UDF

在过去的几年中，python 正在成为数据分析师的默认语言。一些类似 pandas,numpy,statsmodel,scikit-learn 被大量使用，逐渐成为主流的工具包。同时，spark 也成为了大数据处理的标准，为了让数据分析师能够使用 spark ，Spark在 0.7 版本增加了 python api，也支持了 udf (user-defined functions)。

这些 udf 对每条记录都会操作一次，同时数据需要在 JVM 和 Python 中传输，因此有了额外的序列化和调用开销。因此可以用 Java 和 Scala 中定义 UDF，然后在 python 中调用它们。

image

pandas UDFs 为什么快？

Pandas Udf 构建在 Apache Arrow 之上，带来了低开销，高性能的UDF。

每个系统都有自己的存储格式，70%-80%的时间花费在序列化和反序列化上

Apache Arrow：一个跨平台的在内存中以列式存储的数据层，用来加速大数据分析速度。

1. 循环执行 转化为 pandas 向量化计算。
2. python 和 JVM 使用同一种数据结构，避免了序列化的开销

每批进行向量化计算的数据量由 spark.sql.execution.arrow.maxRecordsPerBatch 参数控制，默认为10000条。如果一次计算的 columns 特别多，可以适当的减小该值。

一些限制

1. 不支持所有的 sparkSQL 数据类型，包括 BinaryType，MapType, ArrayType，TimestampType 和嵌套的 StructType。

2. pandas udf 和 udf 不能混用。

使用方式

1. spark df & pandas df

spark df 与 pandas df 相互转化性能优化，需要开启配置，默认为关闭。

配置项：

spark.sql.execution.arrow.enabled true

相互转化

import numpy as np
import pandas as pd

//初始化 pandas DF
pdf = pd.DataFrame(np.random.rand(100000, 3))
// pdf -> sdf
%time df = spark.createDataFrame(pdf)
// sdf -> pdf
%time result_pdf = df.select("*").toPandas()

性能对比：

tips: 即便是提高了转化的速度，pandas df 依旧是单机在 driver 中执行的，不应该返回大量的数据。

2. pandas UDFs(Vectorized UDFs)

pandas udf 的入参和返回值类型都为 pandas.Series

注册 udf

方法1：

from pyspark.sql.functions import pandas_udf

def plus_one(a):
    return a + 1

//df_udf
plus_one_pd_udf = pandas_udf(plus_one, returnType=LongType())
//sql udf
spark.udf.register('plus_one',plus_one_pd_udf)

方法2：

from pyspark.sql.functions import pandas_udf

//默认为 PandasUDFType.SCALAR 类型
@pandas_udf('long')
def plus_one(a):
    return a + 1

spark.udf.register('plus_one',plus_one)

spark.udf.register可以接受一个 SQL_BATCHED_UDF 或 SQL_SCALAR_PANDAS_UDF 方法。

使用 pandas udf 后，物理执行计划会从 BatchEvalPython 变为 ArrowEvalPython，可以使用 explain() 检查 pandas udf 是否生效。

Scalar Pandas UDFs

import pandas as pd

from pyspark.sql.functions import col, pandas_udf,udf
from pyspark.sql.types import LongType

def multiply_func(a, b):
    return a * b
    
multiply_pd = pandas_udf(multiply_func, returnType=LongType())

multiply = udf(multiply_func, returnType=LongType())

x = pd.Series([1, 2, 3] * 10000)
df = spark.createDataFrame(pd.DataFrame(x, columns=["x"]))

%timeit df.select(multiply_pd(col("x"), col("x"))).count()
%timeit df.select(multiply(col("x"), col("x"))).count()

Grouped Map Pandas UDFs

计算均方差

from pyspark.sql.functions import pandas_udf, PandasUDFType

df = spark.createDataFrame(
    [(1, 1.0), (1, 2.0), (2, 3.0), (2, 5.0), (2, 10.0)],
    ("id", "v"))

@pandas_udf("id long, v double", PandasUDFType.GROUPED_MAP)
def substract_mean(pdf):
    # pdf is a pandas.DataFrame
    v = pdf.v
    return pdf.assign(v=v - v.mean())

df.groupby("id").apply(substract_mean).show()

+---+----+
| id|   v|
+---+----+
|  1|-0.5|
|  1| 0.5|
|  2|-3.0|
|  2|-1.0|
|  2| 4.0|
+---+----+

测试用例

数据准备： 10M-row DataFrame , 2列，一列Int类型，一列Double类型

df = spark.range(0, 10 * 1000 * 1000).withColumn('id', (col('id') / 10000).cast('integer')).withColumn('v', rand())
df.cache()
df.count()

Plus one

from pyspark.sql.functions import pandas_udf, PandasUDFType

# 输入和输出都是 doubles 类型的 pandas.Series
@pandas_udf('double', PandasUDFType.SCALAR)
def pandas_plus_one(v):
    return v + 1

df.withColumn('v2', pandas_plus_one(df.v))

Cumulative Probability

import pandas as pd
from scipy import stats

@pandas_udf('double')
def cdf(v):
    return pd.Series(stats.norm.cdf(v))

df.withColumn('cumulative_probability', cdf(df.v))

Subtract Mean

# 输入和输出类型都是 pandas.DataFrame
@pandas_udf(df.schema, PandasUDFType.GROUPED_MAP)
def subtract_mean(pdf):
    return pdf.assign(v=pdf.v - pdf.v.mean())

df.groupby('id').apply(subtract_mean)

Scalar 和 Grouped map 的一些区别

性能对比

配置和测试方法

环境

• Spark 2.3
• Anaconda 4.4.0 (python 2.7.13)
• 运行模式 local[10]

参考

http://spark.apache.org/docs/latest/sql-programming-guide.html#grouped-map
https://databricks.com/blog/2017/10/30/introducing-vectorized-udfs-for-pyspark.html
https://www.slideshare.net/PyData/improving-pandas-and-pyspark-performance-and-interoperability-with-apache-arrow