Como consultar o Apache Arrow com chDB

Neste guia, aprenderemos como consultar tabelas Apache Arrow com a função de tabela Python

Apache Arrow é um formato de memória padronizado e orientado a colunas que ganhou popularidade na comunidade de dados. Neste guia, aprenderemos como consultar o Apache Arrow usando a função de tabela Python.

​

Configuração

Vamos criar primeiro um ambiente virtual:

python -m venv .venv
source .venv/bin/activate

E agora vamos instalar o chDB. Certifique-se de ter a versão 2.0.2 ou superior:

pip install "chdb>=2.0.2"

Agora, vamos instalar PyArrow, pandas e ipython:

pip install pyarrow pandas ipython

Vamos usar o ipython para executar os comandos no restante do guia, que pode ser iniciado com:

ipython

Você também pode usar o código em um script Python ou no notebook de sua preferência.

​

Criando uma tabela Apache Arrow a partir de um arquivo

Primeiro, vamos baixar um dos arquivos Parquet do conjunto de dados Ookla usando a AWS CLI:

aws s3 cp \
  --no-sign \
  s3://ookla-open-data/parquet/performance/type=mobile/year=2023/quarter=2/2023-04-01_performance_mobile_tiles.parquet .

Se quiser baixar mais arquivos, use aws s3 ls para obter uma lista de todos eles e, em seguida, atualizar o comando acima.

Em seguida, vamos importar o módulo Parquet do pacote pyarrow:

import pyarrow.parquet as pq

E então podemos ler o arquivo Parquet em uma tabela do Apache Arrow:

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

O esquema é exibido abaixo:

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

E podemos obter o número de linhas e colunas chamando o atributo shape:

arrow_table.shape

(3864546, 11)

​

Consultando o Apache Arrow

Agora vamos consultar a tabela do Arrow no chDB. Primeiro, vamos importar o chDB:

import chdb

Em seguida, podemos descrever a tabela:

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

Também podemos contar o número de linhas:

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

   count()
0  3864546

Agora, vamos fazer algo um pouco mais interessante. A consulta a seguir exclui as colunas quadkey e tile.* e, em seguida, calcula os valores médio e máximo de todas as colunas restantes:

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")

Linha 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