调试指南

可视化DataFrame

由于PyODPS DataFrame本身会对整个操作执行优化,为了能直观地反应整个过程, 我们可以使用可视化的方式显示整个表达式的计算过程。

值得注意的是,可视化需要依赖 graphviz 包。

>>> df = iris.groupby('name').agg(id=iris.sepalwidth.sum())
>>> df = df[df.name, df.id + 3]
>>> df.visualize()
_images/df-steps-visualize.svg

可以看到,这个计算过程中,PyODPS DataFrame将GroupBy和列筛选做了操作合并。

>>> df = iris.groupby('name').agg(id=iris.sepalwidth.sum()).cache()
>>> df2 = df[df.name, df.id + 3]
>>> df2.visualize()
_images/df-op-merge-visualize.svg

此时,由于用户执行了cache操作,这时整个执行计划将会分成两步来执行。

ODPS SQL后端查看编译结果

我们可以直接调用 compile 方法来查看ODPS SQL后端编译到SQL的结果。

>>> df = iris.groupby('name').agg(sepalwidth=iris.sepalwidth.max())
>>> df.compile()
Stage 1:

SQL compiled:

SELECT
  t1.`name`,
  MAX(t1.`sepalwidth`) AS `sepalwidth`
FROM test_pyodps_dev.`pyodps_iris` t1
GROUP BY
  t1.`name`

使用pandas计算后端执行本地调试

对于来自ODPS表的DataFrame,一些操作不会compile到ODPS SQL执行,而是会使用Tunnel下载, 这个过程是很快的,且无需等待ODPS SQL任务的调度。 利用这个特性,我们能快速下载小部分ODPS数据到本地,使用pandas计算后端来进行代码编写和调试。

这些操作包括:

  • 对非分区表进行选取整个或者有限条数据、或者列筛选的操作(不包括列的各种计算),以及计算其数量
  • 对分区表不选取分区或筛选前几个分区字段,对其进行选取全部或者有限条数据、或者列筛选的操作,以及计算其数量

如我们的iris这个DataFrame的来源ODPS表是非分区表,以下操作会使用tunnel进行下载。

>>> iris.count()
>>> iris['name', 'sepalwidth'][:10]

对于分区表,如有个DataFrame来源于分区表(有三个分区字段,ds、hh、mm),以下操作会使用tunnel下载。

>>> df[:10]
>>> df[df.ds == '20160808']['f0', 'f1']
>>> df[(df.ds == '20160808') & (df.hh == 3)][:10]
>>> df[(df.ds == '20160808') & (df.hh == 3) & (df.mm == 15)]

因此我们可以使用 to_pandas 方法来将部分数据下载到本地来进行调试,我们可以写出如下代码:

>>> DEBUG = True
>>> if DEBUG:
>>>     df = iris[:100].to_pandas(wrap=True)
>>> else:
>>>     df = iris

这样,当我们全部编写完成时,再把 DEBUG 设置为False就可以在ODPS上执行完整的计算了。

注解

由于沙箱的限制,本地调试通过的程序不一定能在ODPS上也跑通。