如何使用 chDB 查询 Apache Arrow

本指南将介绍如何使用 chDB 查询 Apache Arrow 表

Apache Arrow 是一种标准化的列式内存格式，已在数据领域广受欢迎。 在本指南中，我们将学习如何使用 Python 表函数查询 Apache Arrow。

​

环境准备

先创建一个虚拟环境：

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

现在我们来安装 chDB。 请确保版本为 2.0.2 或更高：

pip install "chdb>=2.0.2"

接下来，我们来安装 PyArrow、pandas 和 ipython：

pip install pyarrow pandas ipython

我们将使用 ipython 运行本指南后续部分中的命令，你可以通过运行以下命令来启动它：

ipython

你也可以在 Python 脚本或常用的 notebook 中使用这段代码。

​

从文件创建 Apache Arrow 表

首先，使用 AWS CLI 工具 下载 Ookla 数据集 中的一个 Parquet 文件：

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

如果你想下载更多文件，可使用 aws s3 ls 列出所有文件，然后更新上述命令。

接下来，我们将从 pyarrow 包中导入 Parquet 模块：

import pyarrow.parquet as pq

然后，我们可以将 Parquet 文件读取到 Apache Arrow 表中：

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

schema 如下所示：

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

我们可以通过 shape 属性获取行数和列数：

arrow_table.shape

(3864546, 11)

​

查询 Apache Arrow

现在我们来通过 chDB 查询 Arrow 表。 首先，导入 chDB：

import chdb

接下来，我们可以描述这张表：

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

我们也可以统计行数：

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

   count()
0  3864546

现在，我们来做点更有意思的事。 以下查询会排除 quadkey 和 tile.* 列，然后计算其余所有列的平均值和最大值：

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