Konektor BigQuery untuk Apache Spark memungkinkan Data Scientist memadukan kecanggihan mesin SQL BigQuery yang skalabel tanpa hambatan dengan kemampuan Machine Learning Apache Spark. Dalam tutorial ini, kami menunjukkan cara menggunakan Dataproc, BigQuery, dan Apache Spark ML untuk menjalankan machine learning pada set data.
Tujuan
Gunakan regresi linier untuk membuat model berat lahir sebagai fungsi dari lima faktor:- minggu kehamilan
- usia ibu
- usia ayah
- pertambahan berat ibu selama kehamilan
- Skor Apgar
Gunakan alat berikut:
- BigQuery, untuk menyiapkan tabel input regresi linear, yang ditulis ke project Google Cloud
- Python, untuk membuat kueri dan mengelola data di BigQuery
- Apache Spark, untuk mengakses tabel regresi linear yang dihasilkan
- Spark ML, untuk membangun dan mengevaluasi model
- Tugas Dataproc PySpark, untuk memanggil fungsi Spark ML
Biaya
Dalam dokumen ini, Anda menggunakan komponen Google Cloud yang dapat ditagih berikut:
- Compute Engine
- Dataproc
- BigQuery
Untuk membuat perkiraan biaya berdasarkan proyeksi penggunaan Anda,
gunakan kalkulator harga.
Sebelum memulai
Cluster Dataproc memiliki komponen Spark, termasuk Spark ML, yang sudah terinstal. Untuk menyiapkan cluster Dataproc dan menjalankan kode dalam contoh ini, Anda harus melakukan (atau telah melakukan) hal berikut:
- Login ke akun Google Cloud Anda. Jika Anda baru menggunakan Google Cloud, buat akun untuk mengevaluasi performa produk kami dalam skenario dunia nyata. Pelanggan baru juga mendapatkan kredit gratis senilai $300 untuk menjalankan, menguji, dan men-deploy workload.
-
Di konsol Google Cloud, pada halaman pemilih project, pilih atau buat project Google Cloud.
-
Enable the Dataproc, BigQuery, Compute Engine APIs.
- Menginstal Google Cloud CLI.
-
Untuk initialize gcloud CLI, jalankan perintah berikut:
gcloud init
-
Di konsol Google Cloud, pada halaman pemilih project, pilih atau buat project Google Cloud.
-
Enable the Dataproc, BigQuery, Compute Engine APIs.
- Menginstal Google Cloud CLI.
-
Untuk initialize gcloud CLI, jalankan perintah berikut:
gcloud init
- Buat cluster Dataproc di project Anda. Cluster Anda harus menjalankan versi Dataproc dengan Spark 2.0 atau yang lebih tinggi, (termasuk library machine learning).
Buat Subset data natality
BigQuery
Di bagian ini, Anda akan membuat set data di project, lalu membuat tabel dalam set data tempat Anda menyalin subset data tingkat kelahiran dari set data BigQuery natality yang tersedia secara publik. Nantinya di tutorial ini, Anda akan menggunakan data subset dalam tabel ini untuk memprediksi berat lahir sebagai fungsi usia ibu, usia ayah, dan minggu kehamilan.
Anda dapat membuat subkumpulan data menggunakan Konsol Google Cloud atau menjalankan skrip Python di komputer lokal.
Konsol
Buat set data di project Anda.
- Buka UI Web BigQuery.
- Di panel navigasi kiri, klik nama project Anda, lalu klik CREATE DATASET.
- Dalam dialog Create dataset:
- Untuk ID Set Data, masukkan "natality_regression".
- Untuk Lokasi data, Anda dapat memilih
lokasi
untuk set data. Lokasi nilai default adalah
US multi-region
. Setelah set data dibuat, lokasi tidak dapat diubah. - Untuk Akhir masa berlaku tabel default, pilih salah satu opsi berikut:
- Tidak pernah (default): Anda harus menghapus tabel secara manual.
- Jumlah hari: Tabel akan dihapus setelah jumlah hari yang ditentukan sejak waktu pembuatannya.
- Untuk Enkripsi, pilih salah satu opsi berikut:
- Kunci milik Google dan dikelola Google (default).
- Kunci yang dikelola pelanggan: Lihat bagian Melindungi data dengan kunci Cloud KMS.
- Klik Create dataset.
Jalankan kueri terhadap set data kelahiran publik, lalu simpan hasil kueri tersebut dalam tabel baru di set data Anda.
- Salin dan tempel kueri berikut ke dalam Query Editor, lalu klik Run.
CREATE OR REPLACE TABLE natality_regression.regression_input as SELECT weight_pounds, mother_age, father_age, gestation_weeks, weight_gain_pounds, apgar_5min FROM `bigquery-public-data.samples.natality` WHERE weight_pounds IS NOT NULL AND mother_age IS NOT NULL AND father_age IS NOT NULL AND gestation_weeks IS NOT NULL AND weight_gain_pounds IS NOT NULL AND apgar_5min IS NOT NULL
- Setelah kueri selesai (dalam waktu sekitar satu menit), hasilnya disimpan sebagai tabel BigQuery "regression_input" dalam set data
natality_regression
di project Anda.
- Salin dan tempel kueri berikut ke dalam Query Editor, lalu klik Run.
Python
Sebelum mencoba contoh ini, ikuti petunjuk penyiapan Python di Panduan memulai Dataproc menggunakan library klien. Untuk mengetahui informasi selengkapnya, lihat dokumentasi referensi API Python Dataproc.
Untuk mengautentikasi ke Dataproc, siapkan Kredensial Default Aplikasi. Untuk mengetahui informasi selengkapnya, lihat Menyiapkan autentikasi untuk lingkungan pengembangan lokal.
Lihat Menyiapkan Lingkungan Pengembangan Python untuk mengetahui petunjuk cara menginstal Python dan Library Klien Google Cloud untuk Python (diperlukan untuk menjalankan kode). Sebaiknya instal dan gunakan Python
virtualenv
.Salin dan tempel kode
natality_tutorial.py
, di bawah ini, ke dalam shellpython
di komputer lokal Anda. Tekan tombol<return>
di shell untuk menjalankan kode guna membuat set data BigQuery "natality_regression" di project Google Cloud default Anda dengan tabel "regression_input" yang diisi dengan subset datanatality
publik.Konfirmasi pembuatan set data
natality_regression
dan tabelregression_input
.
Menjalankan regresi linear
Di bagian ini, Anda akan menjalankan regresi linear PySpark dengan mengirimkan tugas ke layanan Dataproc menggunakan Konsol Google Cloud atau dengan menjalankan perintah gcloud
dari terminal lokal.
Konsol
Salin dan tempel kode berikut ke file
natality_sparkml.py
baru di komputer lokal Anda."""Run a linear regression using Apache Spark ML. In the following PySpark (Spark Python API) code, we take the following actions: * Load a previously created linear regression (BigQuery) input table into our Cloud Dataproc Spark cluster as an RDD (Resilient Distributed Dataset) * Transform the RDD into a Spark Dataframe * Vectorize the features on which the model will be trained * Compute a linear regression using Spark ML """ from pyspark.context import SparkContext from pyspark.ml.linalg import Vectors from pyspark.ml.regression import LinearRegression from pyspark.sql.session import SparkSession # The imports, above, allow us to access SparkML features specific to linear # regression as well as the Vectors types. # Define a function that collects the features of interest # (mother_age, father_age, and gestation_weeks) into a vector. # Package the vector in a tuple containing the label (`weight_pounds`) for that # row. def vector_from_inputs(r): return (r["weight_pounds"], Vectors.dense(float(r["mother_age"]), float(r["father_age"]), float(r["gestation_weeks"]), float(r["weight_gain_pounds"]), float(r["apgar_5min"]))) sc = SparkContext() spark = SparkSession(sc) # Read the data from BigQuery as a Spark Dataframe. natality_data = spark.read.format("bigquery").option( "table", "natality_regression.regression_input").load() # Create a view so that Spark SQL queries can be run against the data. natality_data.createOrReplaceTempView("natality") # As a precaution, run a query in Spark SQL to ensure no NULL values exist. sql_query = """ SELECT * from natality where weight_pounds is not null and mother_age is not null and father_age is not null and gestation_weeks is not null """ clean_data = spark.sql(sql_query) # Create an input DataFrame for Spark ML using the above function. training_data = clean_data.rdd.map(vector_from_inputs).toDF(["label", "features"]) training_data.cache() # Construct a new LinearRegression object and fit the training data. lr = LinearRegression(maxIter=5, regParam=0.2, solver="normal") model = lr.fit(training_data) # Print the model summary. print("Coefficients:" + str(model.coefficients)) print("Intercept:" + str(model.intercept)) print("R^2:" + str(model.summary.r2)) model.summary.residuals.show()
Salin file
natality_sparkml.py
lokal ke bucket Cloud Storage di project Anda.gcloud storage cp natality_sparkml.py gs://bucket-name
Jalankan regresi dari halaman Mengirim tugas Dataproc.
Di kolom Main python file, masukkan URI
gs://
bucket Cloud Storage tempat salinan filenatality_sparkml.py
Anda berada.Pilih
PySpark
sebagai Job type.Masukkan
gs://spark-lib/bigquery/spark-bigquery-latest_2.12.jar
di kolom File Jar. Hal ini membuat spark-bigquery-connector tersedia untuk aplikasi PySpark saat runtime agar aplikasi dapat membaca data BigQuery ke dalam Spark DataFrame.Isi kolom Job ID, Region, dan Cluster.
Klik Submit untuk menjalankan tugas di cluster.
Setelah tugas selesai, ringkasan model output regresi linear akan muncul di jendela detail Tugas Dataproc.
gcloud
Salin dan tempel kode berikut ke file
natality_sparkml.py
baru di komputer lokal Anda."""Run a linear regression using Apache Spark ML. In the following PySpark (Spark Python API) code, we take the following actions: * Load a previously created linear regression (BigQuery) input table into our Cloud Dataproc Spark cluster as an RDD (Resilient Distributed Dataset) * Transform the RDD into a Spark Dataframe * Vectorize the features on which the model will be trained * Compute a linear regression using Spark ML """ from pyspark.context import SparkContext from pyspark.ml.linalg import Vectors from pyspark.ml.regression import LinearRegression from pyspark.sql.session import SparkSession # The imports, above, allow us to access SparkML features specific to linear # regression as well as the Vectors types. # Define a function that collects the features of interest # (mother_age, father_age, and gestation_weeks) into a vector. # Package the vector in a tuple containing the label (`weight_pounds`) for that # row. def vector_from_inputs(r): return (r["weight_pounds"], Vectors.dense(float(r["mother_age"]), float(r["father_age"]), float(r["gestation_weeks"]), float(r["weight_gain_pounds"]), float(r["apgar_5min"]))) sc = SparkContext() spark = SparkSession(sc) # Read the data from BigQuery as a Spark Dataframe. natality_data = spark.read.format("bigquery").option( "table", "natality_regression.regression_input").load() # Create a view so that Spark SQL queries can be run against the data. natality_data.createOrReplaceTempView("natality") # As a precaution, run a query in Spark SQL to ensure no NULL values exist. sql_query = """ SELECT * from natality where weight_pounds is not null and mother_age is not null and father_age is not null and gestation_weeks is not null """ clean_data = spark.sql(sql_query) # Create an input DataFrame for Spark ML using the above function. training_data = clean_data.rdd.map(vector_from_inputs).toDF(["label", "features"]) training_data.cache() # Construct a new LinearRegression object and fit the training data. lr = LinearRegression(maxIter=5, regParam=0.2, solver="normal") model = lr.fit(training_data) # Print the model summary. print("Coefficients:" + str(model.coefficients)) print("Intercept:" + str(model.intercept)) print("R^2:" + str(model.summary.r2)) model.summary.residuals.show()
Salin file
natality_sparkml.py
lokal ke bucket Cloud Storage di project Anda.gcloud storage cp natality_sparkml.py gs://bucket-name
Kirim tugas Pyspark ke layanan Dataproc dengan menjalankan perintah
gcloud
, yang ditunjukkan di bawah ini, dari jendela terminal di komputer lokal Anda.- Nilai flag --jars membuat spark-bigquery-connector tersedia untuk jobv PySpark saat runtime agar dapat membaca data BigQuery ke dalam Spark DataFrame.
gcloud dataproc jobs submit pyspark \ gs://your-bucket/natality_sparkml.py \ --cluster=cluster-name \ --region=region \ --jars=gs://spark-lib/bigquery/spark-bigquery-with-dependencies_SCALA_VERSION-CONNECTOR_VERSION.jar
- Nilai flag --jars membuat spark-bigquery-connector tersedia untuk jobv PySpark saat runtime agar dapat membaca data BigQuery ke dalam Spark DataFrame.
Output regresi linear (ringkasan model) akan muncul di jendela terminal saat tugas selesai.
<<< # Cetak ringkasan model. 30.60-15.60-15.40-15-15.15-15-15_15-15-15.15-15.15-15_15-15-15.15-15-15-15.5-15-15-15_15_15_15-15_15_15-15_15-15-15-15
Pembersihan
Setelah menyelesaikan tutorial, Anda dapat membersihkan resource yang dibuat agar resource tersebut berhenti menggunakan kuota dan dikenai biaya. Bagian berikut menjelaskan cara menghapus atau menonaktifkan resource ini.
Menghapus project
Cara termudah untuk menghilangkan penagihan adalah dengan menghapus project yang Anda buat untuk tutorial.
Untuk menghapus project:
- Di konsol Google Cloud, buka halaman Manage resource.
- Pada daftar project, pilih project yang ingin Anda hapus, lalu klik Delete.
- Pada dialog, ketik project ID, lalu klik Shut down untuk menghapus project.
Menghapus cluster Dataproc
Lihat Menghapus cluster.