Utilizzo di Dataproc, BigQuery e Apache Spark ML per il machine learning

Il connettore BigQuery per Apache Spark consente ai data scientist di combinare la potenza del motore SQL scalabile e senza problemi di BigQuery con le funzionalità di machine learning di Apache Spark. In questo tutorial, mostriamo come utilizzare Dataproc, BigQuery e Apache Spark ML per eseguire il machine learning su un set di dati.

Crea un sottoinsieme di dati sulla natalità di BigQuery

In questa sezione crei un set di dati nel tuo progetto, quindi crei una tabella nel set di dati in cui copi un sottoinsieme di dati sul tasso di natalità dal set di dati BigQuery natality disponibile pubblicamente. Più avanti in questo tutorial utilizzerai i dati del sottoinsieme in questa tabella per prevedere il peso alla nascita in funzione dell'età materna, dell'età paterna e delle settimane di gestazione.

Puoi creare il sottoinsieme di dati utilizzando la console Google Cloud o eseguendo uno script Python sulla tua macchina locale.

Console

1. Crea un set di dati nel tuo progetto.

   1. Vai all'UI web di BigQuery.
   2. Nel pannello di navigazione a sinistra, fai clic sul nome del progetto, quindi fai clic su CREA SET DI DATI.
   3. Nella finestra di dialogo Crea set di dati:
      1. In ID set di dati, inserisci "natality_regression".
      2. Per Località dei dati, puoi scegliere una località per il set di dati. La posizione del valore predefinito è US multi-region. Una volta creato un set di dati, la posizione non può essere modificata.
      3. Per Scadenza tabella predefinita, scegli una delle seguenti opzioni:
         • Mai (impostazione predefinita): devi eliminare la tabella manualmente.
         • Numero di giorni: la tabella verrà eliminata dopo il numero di giorni specificato dalla data di creazione.
      4. Per Crittografia, scegli una delle seguenti opzioni:
         • Google-owned and Google-managed encryption key (valore predefinito).
         • Chiave gestita dal cliente: consulta Protezione dei dati con le chiavi Cloud KMS.
      5. Fai clic su Crea set di dati.
         Non puoi aggiungere una descrizione o un'etichetta quando crei un set di dati utilizzando l'interfaccia utente web. Dopo aver creato il set di dati, puoi aggiungere una descrizione, e aggiungere un'etichetta.

2. Esegui una query sul set di dati pubblico sulla natalità, quindi salva i risultati della query in una nuova tabella del tuo set di dati.

   1. Copia e incolla la seguente query nell'Editor query, quindi fai clic su Esegui.

      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
      

   2. Al termine della query (in circa un minuto), i risultati vengono salvati come tabella BigQuery "regression_input" nel set di dati natality_regression del progetto.

      

Python

Prima di provare questo esempio, segui le istruzioni di configurazione di Python nella guida rapida di Dataproc per l'utilizzo delle librerie client. Per saperne di più, consulta la documentazione di riferimento dell'API Dataproc Python.

Per eseguire l'autenticazione in Dataproc, configura le Credenziali predefinite dell'applicazione. Per ulteriori informazioni, consulta Configura l'autenticazione per un ambiente di sviluppo locale.

1. Consulta Configurazione di un ambiente di sviluppo Python per istruzioni sull'installazione di Python e della libreria client Google Cloud per Python (necessaria per eseguire il codice). È consigliabile installare e utilizzare un ambiente virtuale Python.virtualenv

2. Copia e incolla il codice natality_tutorial.py riportato di seguito in una shell python sulla tua macchina locale. Premi il tasto <return> nella shell per eseguire il codice per creare un set di dati BigQuery "natality_regression" nel tuo progettoGoogle Cloud predefinito con una tabella "regression_input" compilata con un sottoinsieme dei dati pubblici natality.

   Configurazione per l'esecuzione locale del codice dell'applicazione:

   • Esegui gcloud config list project per visualizzare il nome del tuo progetto predefinito.
   • Esegui gcloud config set project project-name per modificare il progetto predefinito.
   • Esegui gcloud auth application-default login per impostare le credenziali dell'applicazione nel tuo account utente.
   """Create a Google BigQuery linear regression input table.
   
   In the code below, the following actions are taken:
   * A new dataset is created "natality_regression."
   * A query is run against the public dataset,
       bigquery-public-data.samples.natality, selecting only the data of
       interest to the regression, the output of which is stored in a new
       "regression_input" table.
   * The output table is moved over the wire to the user's default project via
       the built-in BigQuery Connector for Spark that bridges BigQuery and
       Cloud Dataproc.
   """
   
   from google.cloud import bigquery
   
   # Create a new Google BigQuery client using Google Cloud Platform project
   # defaults.
   client = bigquery.Client()
   
   # Prepare a reference to a new dataset for storing the query results.
   dataset_id = "natality_regression"
   dataset_id_full = f"{client.project}.{dataset_id}"
   
   dataset = bigquery.Dataset(dataset_id_full)
   
   # Create the new BigQuery dataset.
   dataset = client.create_dataset(dataset)
   
   # Configure the query job.
   job_config = bigquery.QueryJobConfig()
   
   # Set the destination table to where you want to store query results.
   # As of google-cloud-bigquery 1.11.0, a fully qualified table ID can be
   # used in place of a TableReference.
   job_config.destination = f"{dataset_id_full}.regression_input"
   
   # Set up a query in Standard SQL, which is the default for the BigQuery
   # Python client library.
   # The query selects the fields of interest.
   query = """
       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
   """
   
   # Run the query.
   client.query_and_wait(query, job_config=job_config)  # Waits for the query to finish

3. Conferma la creazione del set di dati natality_regression e della tabella regression_input.

   

Eseguire una regressione lineare

In questa sezione eseguirai una regressione lineare PySpark inviando il job al servizio Dataproc utilizzando la console Google Cloud o eseguendo il comando gcloud da un terminale locale.

Console

1. Copia e incolla il seguente codice in un nuovo file natality_sparkml.py sul computer locale.

   """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()

2. Copia il file natality_sparkml.py locale in un bucket Cloud Storage nel tuo progetto.

   gcloud storage cp natality_sparkml.py gs://bucket-name
   

   Anziché copiare il file in un bucket utente nel tuo progetto, puoi copiarlo nel bucket di staging che Dataproc ha creato quando hai creato il cluster.

3. Esegui la regressione dalla pagina Invia un job di Dataproc.

   1. Nel campo File Python principale, inserisci l'URI gs:// del bucket Cloud Storage in cui si trova la tua copia del file natality_sparkml.py.

   2. Seleziona PySpark come tipo di job.

   3. Inserisci gs://spark-lib/bigquery/spark-bigquery-latest_2.12.jar nel campo File jar. In questo modo, spark-bigquery-connector è disponibile per l'applicazione PySpark in fase di runtime, consentendole di leggere i dati BigQuery in un DataFrame Spark.

      Il file JAR 2.12 è compatibile con i cluster Dataproc creati con l'immagine 1.5 o versioni successive. Se il cluster Dataproc è stato creato con l'immagine 1.3 o 1.4, specifica il file JAR 2.11 (gs://spark-lib/bigquery/spark-bigquery-latest_2.11.jar).

   4. Compila i campi ID job, Regione e Cluster.

   5. Fai clic su Invia per eseguire il job sul cluster.

Al termine del job, il riepilogo del modello di output della regressione lineare viene visualizzato nella finestra Dettagli job Dataproc.

Terminologia del riepilogo del modello:

• R^2: una misura della quantità di "segnale" acquisito dal modello.
• Residui:la differenza tra la previsione del modello e il valore effettivo per ogni punto utilizzato per adattare il modello.

gcloud

1. Copia e incolla il seguente codice in un nuovo file natality_sparkml.py sul computer locale.

   """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()

2. Copia il file natality_sparkml.py locale in un bucket Cloud Storage nel tuo progetto.

   gcloud storage cp natality_sparkml.py gs://bucket-name
   

   Anziché copiare il file in un bucket utente nel tuo progetto, puoi copiarlo nel bucket di staging che Dataproc ha creato quando hai creato il cluster.

3. Invia il job Pyspark al servizio Dataproc eseguendo il comando gcloud, mostrato di seguito, da una finestra del terminale sulla tua macchina locale.

   1. Il valore del flag --jars rende disponibile spark-bigquery-connector al job PySpark in fase di runtime per consentirgli di leggere i dati BigQuery in un DataFrame Spark.

      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
      

      Il file JAR 2.12 è compatibile con i cluster Dataproc creati con l'immagine 1.5 o versioni successive. Se il cluster Dataproc è stato creato con l'immagine 1.3 o 1.4, specifica il file JAR 2.11. Per ulteriori informazioni, consulta Rendere disponibile il connettore per l'applicazione.

L'output della regressione lineare (riepilogo del modello) viene visualizzato nella finestra del terminale al termine del job.

Terminologia del riepilogo del modello:

• R^2: una misura della quantità di "segnale" acquisito dal modello.
• Residui:la differenza tra la previsione del modello e il valore effettivo per ogni punto utilizzato per adattare il modello.

<<< # Print the model summary.
... print "Coefficients:" + str(model.coefficients)
Coefficients:[0.0166657454602,-0.00296751984046,0.235714392936,0.00213002070133,-0.00048577251587]
<<< print "Intercept:" + str(model.intercept)
Intercept:-2.26130330748
<<< print "R^2:" + str(model.summary.r2)
R^2:0.295200579035
<<< model.summary.residuals.show()
+--------------------+
|           residuals|
+--------------------+
| -0.7234737533344147|
|  -0.985466980630501|
| -0.6669710598385468|
|  1.4162434829714794|
|-0.09373154375186754|
|-0.15461747949235072|
| 0.32659061654192545|
|  1.5053877697929803|
|  -0.640142797263989|
|   1.229530260294963|
|-0.03776160295256...|
| -0.5160734239126814|
| -1.5165972740062887|
|  1.3269085258245008|
|  1.7604670124710626|
|  1.2348130901905972|
|   2.318660276655887|
|  1.0936947030883175|
|  1.0169768511417363|
| -1.7744915698181583|
+--------------------+
only showing top 20 rows.