Estendere gli script U-SQL con il codice Python in Azure Data Lake Analytics

  • Articolo

Importante

Azure Data Lake Analytics ritirato il 29 febbraio 2024. Altre informazioni con questo annuncio.

Per l'analisi dei dati, l'organizzazione può usare Azure Synapse Analytics o Microsoft Fabric.

Prerequisiti

Prima di iniziare, verificare che le estensioni di Python siano installate nell'account di Azure Data Lake Analytics.

  • Passare all'account Data Lake Analytics nell'portale di Azure
  • Nel menu a sinistra selezionareScript di esempio
  • Selezionare Installa estensioni U-SQL e quindi OK

Panoramica

Le estensioni Python per U-SQL consentono agli sviluppatori di effettuare esecuzioni parallele elevate del codice Python. L'esempio seguente illustra i passaggi di base:

  • Usare l'istruzione REFERENCE ASSEMBLY per abilitare le estensioni Python per lo script U-SQL
  • Uso dell'operazione REDUCE per partizionare i dati di input in una chiave
  • Le estensioni Python per U-SQL includono un riduttore predefinito (Extension.Python.Reducer) che esegue il codice Python in ogni vertice assegnato al riduttore
  • Lo script U-SQL contiene il codice Python incorporato che include una funzione denominata usqlml_main che accetta un intervallo di dati Pandas come input e restituisce un intervallo di dati Pandas come output.
REFERENCE ASSEMBLY [ExtPython];
DECLARE @myScript = @"
def get_mentions(tweet):
    return ';'.join( ( w[1:] for w in tweet.split() if w[0]=='@' ) )
def usqlml_main(df):
    del df['time']
    del df['author']
    df['mentions'] = df.tweet.apply(get_mentions)
    del df['tweet']
    return df
";
@t  =
    SELECT * FROM
       (VALUES
           ("D1","T1","A1","@foo Hello World @bar"),
           ("D2","T2","A2","@baz Hello World @beer")
       ) AS date, time, author, tweet );
@m  =
    REDUCE @t ON date
    PRODUCE date string, mentions string
    USING new Extension.Python.Reducer(pyScript:@myScript);
OUTPUT @m
    TO "/tweetmentions.csv"
    USING Outputters.Csv();

Come Python si integra con U-SQL

Tipi di dati

  • Le colonne stringa e numeriche di U-SQL vengono convertite come sono tra Pandas e U-SQL
  • I valori Null di U-SQL vengono convertiti in e da valori NA di Pandas

Schemi

  • I vettori di indice in Pandas non sono supportati in U-SQL. Tutti i frame di dati di input della funzione Python hanno sempre un indice numerico a 64 bit compreso tra 0 e il numero di righe meno 1.
  • I set di dati U-SQL non possono avere nomi di colonna duplicati
  • Nomi di colonna dei set di dati U-SQL che non sono stringhe.

Versioni di Python

È supportato solo Python 3.5.1 (compilato per Windows).

Moduli standard di Python

Sono inclusi tutti i moduli di Python standard.

Altri moduli Python

Oltre alle librerie Python standard, sono incluse diverse librerie Python comunemente usate:

  • pandas
  • numpy
  • numexpr

Messaggi di eccezione

Attualmente un'eccezione nel codice Python viene visualizzata come errore di vertice generico. In futuro i messaggi di errore dei processi U-SQL visualizzeranno il messaggio dell'eccezione Python.

Limitazioni delle dimensioni di input e output

A ogni vertice è assegnata una quantità di memoria limitata, che attualmente corrisponde a 6 GB per AU. Poiché i dataframe di input e output devono esistere in memoria nel codice Python, le dimensioni totali per l'input e l'output non possono superare 6 GB.

Passaggi successivi