简介： 如何利用云上分布式 Python 加速数据科学。 如果你熟悉 numpy、pandas 或者 sklearn 这样的数据科学技术栈，同时又受限于平台的计算性能无法处理，本文介绍的 MaxCompute 可以让您利用并行和分布式技术来加速数据科学。也就是说只要会用 numpy、pandas 和 scikit-learn 之一，就会用 MaxCompute 分布式 Python 的能力。
本文作者 孟硕 阿里云智能 产品专家
一、Python 生态的重要性
Why Python
Python has grown to become the dominant language both in data analytics, and general programming。
根据技术问答网站stack overflow统计，Python、C#、Javascript、java、php、C++、SQL、R、statistics这些编程语言从2009年至2021年的趋势图如下图所示。可以看出Python的趋势是呈现上涨趋势，特别是在数据分析和数据科学领域，几乎是top one的编程语言。这是Python生态的发展趋势。当然，在数据分析数据科学机器学习这个领域，不只是有编程语言这一个因素。
数据科学技术栈
在数据科学领域编程语言只是一个方面，语言不止包含Python，也有数据分析人员用SQL，或者传统分析语言R，或者是函数式编程语言Scala。第二个方面需要有数据分析对应的库，比如NumPy、pandas等，或者是基于可视化的库会在里面。Python运行的集群还会有一些运维的技术栈在里面，比如可以运行在docker或者是kubernetes上。如果要做数据分析数据科学，前期需要对数据进行清洗，有一些ETL的过程。有一些清洗不只是一两步能完成的，需要用工作流去完成整体的ETL的过程。里面涉及到最流行的组件比如Spark，整个工作流调度Airflow，最终结果做一个呈现，就需要存储，一般用PostgreSQL数据库或者内存数据库redis，对外再连接一个BI工具，做最终结果的展示。还有比如机器学习的一些组件或者平台，TensorFlow、PyTorch等。如果是设计到Web开发，快速搭建起一个前端平台，还会用的比如Flask等。最后包括一个商业智能的软件，比如有BI工具tableau、Power BI，或者是数据科学领域经常用到的软件SaaS。
这就是整个数据科学技术栈比较完整的一个视图。我们从编程语言切入，发现如果要实现大规模数据的数据科学是需要方方面面的考量。
二、MaxCompute 分布式 Python 能力介绍
MaxCompute 分布式 Python 技术 - PyODPS
PyODPS 提交的 SQL 以及 DataFrame作业都会转换成 MaxCompute SQL 分布式运行；如果第三方库，能以 UDF+SQL 的形式运行，也可以分布式运行。
如果需要 Python 把作业拆成子任务分布式来运行，比如大规模的向量计算原生 Python 没有分布式能力，这时候推荐用 MaxCompute Mars。是可以把Python任务拆分成子任务进行运行的框架。
Dome实践
请点击视频查看
自定义函数中使用三方包
假如不是单纯运行Python，需要借助一些Python第三方包，这个MaxCompute也是支持的。
流程如下：
Step1
确定使用到的第三方包
sklearn,scipy
Step2
找到对应报的所有依赖
sklearn,scipy,pytz,pandas,six,python-dateutil
Step3
下载对应的三方包（pypi）
python-dateutil-2.6.0.zip,
pytz-2017.2.zip, six-1.11.0.tar.gz,
pandas-0.20.2-cp27-cp27m-manylinux1_x86_64.zip,
scipy-0.19.0-cp27-cp27m-manylinux1_x86_64.zip,
scikit_learn-0.18.1-cp27-cp27m-manylinux1_x86_64.zip
Step4
上传资源变成MaxCompute的一个Resource对象。
这样我们去创建函数，再引用自定义函数，就能够使用到第三方包。
自定义函数代码
def test(x):
from sklearn import datasets, svm
from scipy import misc
import numpy as np
iris = datasets.load_iris()
clf = svm.LinearSVC()
clf.fit(iris.data, iris.target)
pred = clf.predict([[5.0, 3.6, 1.3, 0.25]])
assert pred[0] == 0
assert misc.face().shape is not None
return x
MaxCompute 分布式 Python 技术 - Mars
项目名字 Mars
最早是 MatrixandArray；登陆火星
为什么要做 Mars
- 为大规模科学计算设计的：大数据引擎编程接口对科学计算不太友好，框架设计不是为科学计算模型考虑的
- 传统科学计算基于单机，大规模科学计算需要用到超算
Tips科学计算：计算机梳理数据： Excel-> 数据库 (MySQL)-> Hadoop, Spark, MaxCompute 数据量有 了很大变化，计算模型没有变化，二维表，投影、切片、聚合、筛选和排序，基于关系代数，集合论；科学计算基础结构不是二维表：例如图片2维度，每个像素点不是一个数字（RGB+α 透明通道）
- 传统 SQL 模型处理能力不足：线性代数，行列式的相乘，现有数据库效率低
- 现状 R，Numpy 单机基于单机； Python 生态的 Dask 大数据到科学计算的桥梁
案例
客户A MaxCompute 现有数据，需要针对这些 百亿数据 TB 级别的数据相乘；现有 MapReduce 模式性能低；用 Mars 就可以高效的解决；目前是唯一一个大规模科学计算引擎
加速数据科学的新方式
加速数据科学的方式如下图所示。
基于DASK或者是 MaxCompute Mars其实是 Scale up 和 Scale out 兼容的方式。在下图左下代表单机运行Python 的库做数据科学的一个方式。大规模超算的思路是Scale up，也就是线上垂直扩散，增加硬件能力，比如可以利用多核，当前每台电脑或服务器上不止一核，包括GPU、TPU、NPU等做深度学习的硬件。可以把Python移植到这些硬件上做一些加速。这里的技术包含比如Modin是做多核加速pandas。在右下，也有一些框架在做分布式Python，比如RAY是蚂蚁的一款框架服务，本质上Mars是可以运行在RAY上，相当于Python生态的一个调度，一个kubernetes。DASK也是在做分布式Python，包括Mars。当然，最佳的模式是 Scale up 和 Scale out 两种做一个组合。这样的好处是，可以做分布式，在单节点上也可以利用硬件能力。Mars当前只能在大规模集群上，单机配置在GPU集群。
分布 Python 的设计逻辑
Mars本质上设计思路是把数据科学库分布式化掉，比如Python，可以把Dataframe做一个拆分，包括Numpy，Scikit-Learn。
Mars 场景1 CPU和GPU混合计算
1、安全和金融领域，传统大数据平台挖掘周期长，资源紧张，等待周期长。
2、Mars DataFrame加速数据处理：大规模排序；统计；聚合分析。
3、Mars learn 加速无监督学习；Mars拉起分布式深度学习计算。
4、 使用 GPU 加速特定计算。
Mars 场景2 可解释性计算
1、广告归因&洞察特征的解释算法，本身计算量巨大，耗时长。
2、使用 Mars Remote 将计算用数十台服务器进行加速，提升百倍性能。
Mars场景3 大规模k-最邻近算法
1、Embedding 的流行使得用向量表述实体非常常见。
2、Mars 的NearestNeighbors算法兼容 scikit-learn。暴力算法在300万向量和300万向量计算top10相似计算（9万亿次向量比对）中，用20个worker两个小时计算完成，大数据平台基于SQL+UDF的方式无法完成计算。更小规模 Mars 相比大数据平台性能提升百倍。
3、Mars 支持分布式的方式加速Faiss、Proxima（阿里达摩院向量检索库），达到千万和亿级别规模。
三、最佳实践
Mars本身会集成一些Python第三方包，基本主流机器学习和深度学习的库都包含在里面。下方Demo讲一个使用Mars做智能推荐，用lightgbm做一个分类算法，比如有一些优惠判断是不是给某些用户做推送。
Mars 包括的第三方包：
第一张图上主要步骤是通过 AK、project 名字、Endpoint 信息连接到 MaxCompute。接下来创建一个4节点，每个节点8 core，32G 的集群，应用 extended 扩展包，并生成 100w 用户 64维度描述信息的训练数据。
本文为阿里云原创内容，未经允许不得转载。