Utilizzare Dataproc, BigQuery e Apache Spark ML per il machine learning

Il connettore BigQuery per Apache Spark consente ai data scientist di unire la potenza del motore SQL scalabile e senza interruzioni 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.

Obiettivi

Utilizzare la regressione lineare per creare un modello di peso alla nascita in funzione di cinque fattori:

• settimane di gestazione
• età della mamma
• età del padre
• aumento di peso di madre durante gravidanza
• Punteggio Apgar

Utilizza i seguenti strumenti:

• BigQuery, per preparare la tabella di input di regressione lineare, che è scritta nel tuo progetto Google Cloud
• Python, per eseguire query e gestire i dati in BigQuery
• Apache Spark, per accedere alla tabella di regressione lineare risultante
• Spark ML, per creare e valutare il modello
• Job Dataproc PySpark, per richiamare funzioni Spark ML

Costi

In questo documento utilizzi i seguenti componenti fatturabili di Google Cloud:

• Compute Engine
• Dataproc
• BigQuery

Per generare una stima dei costi basata sull'utilizzo previsto, utilizza il Calcolatore prezzi. I nuovi utenti di Google Cloud potrebbero essere idonei per una prova gratuita.

Prima di iniziare

In un cluster Dataproc sono installati i componenti Spark, tra cui Spark ML. Per configurare un cluster Dataproc ed eseguire il codice in questo esempio, devi eseguire (o aver eseguito) le seguenti operazioni:

1. Sign in to your Google Cloud account. If you're new to Google Cloud, create an account to evaluate how our products perform in real-world scenarios. New customers also get $300 in free credits to run, test, and deploy workloads.

2. In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

   Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

   Go to project selector

3. Enable the Dataproc, BigQuery, Compute Engine APIs.

   Enable the APIs

4. Install the Google Cloud CLI.

5. To initialize the gcloud CLI, run the following command:

   gcloud init

6. In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

   Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

   Go to project selector

7. Enable the Dataproc, BigQuery, Compute Engine APIs.

   Enable the APIs

8. Install the Google Cloud CLI.

9. To initialize the gcloud CLI, run the following command:

   gcloud init

10. Crea un cluster Dataproc nel progetto. Il cluster deve eseguire una versione Dataproc con Spark 2.0 o versioni successive (incluse le librerie di machine learning).

Crea un sottoinsieme di dati natality BigQuery

In questa sezione, creerai un set di dati nel tuo progetto, quindi creerai una tabella nel set di dati in cui copierai un sottoinsieme di dati sul tasso di natalità dal set di dati BigQuery nazionalità disponibile pubblicamente. Più avanti in questo tutorial, utilizzerai i dati dei sottoinsiemi 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 Google Cloud Console o eseguendo uno script Python sulla tua macchina locale.

Console

1. Creare un set di dati nel progetto.

   1. Vai all'interfaccia utente web di BigQuery.
   2. Nel pannello di navigazione a sinistra, fai clic sul nome del progetto e poi su CREA SET DI DATI.
   3. Nella finestra di dialogo Crea set di dati:
      1. In ID set di dati, inserisci "natality_regression".
      2. In Località dei dati, puoi scegliere una località per il set di dati. La posizione del valore predefinito è US multi-region. Dopo la creazione di un set di dati, la località non può essere modificata.
      3. In Scadenza tabella predefinita, scegli una delle opzioni seguenti:
         • Mai (impostazione predefinita): devi eliminare la tabella manualmente.
         • Numero di giorni: la tabella verrà eliminata dopo il numero di giorni specificato dall'ora di creazione.
      4. Per Crittografia, scegli una delle seguenti opzioni:
         • Chiave gestita da Google (impostazione predefinita).
         • Chiave gestita dal cliente: consulta la pagina relativa alla 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 di nudità pubblica, quindi salva i risultati in una nuova tabella del set di dati.

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

      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. Una volta completata la query (dopo circa un minuto), fai clic su SALVA RISULTATI, quindi seleziona le opzioni di salvataggio per salvare i risultati come "regression_input" tabella BigQuery nel set di dati natality_regression nel tuo progetto.

      

Python

1. Consulta la pagina relativa alla configurazione di un ambiente di sviluppo Python per le istruzioni sull'installazione di Python e della libreria client di Google Cloud per Python (necessaria per eseguire il codice). È consigliata l'installazione e l'utilizzo di un Python virtualenv.

2. Copia e incolla il codice natality_tutorial.py riportato di seguito in una shell python sulla tua macchina locale. Premi la chiave <return> nella shell per eseguire il codice per creare un set di dati BigQuery"natality_regression"nel tuo progetto predefinito di Google Cloud con una tabella "&grest_regression_input"completata con un sottoinsieme di dati natality pubblici.

   Configurazione per l'esecuzione a livello 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 sul tuo account utente.
   samples/snippets/natality_tutorial.py

   Visualizza su GitHub
   """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.
   query_job = client.query(query, job_config=job_config)
   query_job.result()  # 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 codice seguente in un nuovo file natality_sparkml.py sulla tua macchina 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.

   gsutil cp natality_sparkml.py gs://bucket-name
   

   Invece di copiare il file in un bucket utente nel tuo progetto, puoi copiarlo nel bucket temporaneo creato da Dataproc 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 copia del file natality_sparkml.py.

   2. Seleziona PySpark come Tipo di prestazione.

   3. Inserisci gs://spark-lib/bigquery/spark-bigquery-latest_2.12.jar nel campo File jar. Questo rende il connettore spark-bigquery disponibile per l'applicazione PySpark in esecuzione per consentire la lettura dei 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 invece il 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 di regressione lineare viene visualizzato nella finestra dei dettagli del job Dataproc.

Terminologia del riepilogo del modello:

• R^2: una misura per la quantità di "indicatore" del modello acquisita.
• Residui: la differenza tra la previsione del modello e il valore effettivo per ogni punto utilizzato per adeguarlo.

gcloud

1. Copia e incolla il codice seguente in un nuovo file natality_sparkml.py sulla tua macchina 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.

   gsutil cp natality_sparkml.py gs://bucket-name
   

   Invece di copiare il file in un bucket utente nel tuo progetto, puoi copiarlo nel bucket temporaneo creato da Dataproc 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 il connettore spark-bigquery nella jobv PySpark in fase di runtime per consentire la lettura dei 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 invece il jar 2.11. Per ulteriori informazioni, consulta Rendere disponibile il connettore per l'applicazione.

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

Terminologia del riepilogo del modello:

• R^2: una misura della porzione del segnale acquisita dal modello.
• Residui: la differenza tra la previsione del modello e il valore effettivo di ogni punto utilizzato per adattarsi al 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.

Esegui la pulizia

Una volta completato il tutorial, puoi eseguire la pulizia delle risorse che hai creato in modo che interrompano l'utilizzo della quota e che vengano addebitati dei costi. Le sezioni seguenti descrivono come eliminare o disattivare queste risorse.

Elimina il progetto

Il modo più semplice per eliminare la fatturazione è eliminare il progetto che hai creato per il tutorial.

Per eliminare il progetto:

Attenzione: l'eliminazione di un progetto ha i seguenti effetti:

• L'intero contenuto del progetto viene eliminato. Se hai utilizzato un progetto esistente per le attività descritte in questo documento, quando lo elimini elimini anche tutto il lavoro svolto nel progetto.
• Gli ID progetto personalizzati non sono più disponibili. Quando hai creato questo progetto, potresti aver creato un ID progetto personalizzato che vuoi utilizzare in futuro. Per conservare gli URL che utilizzano l'ID progetto, ad esempio un appspot.com URL, elimina le risorse selezionate all'interno del progetto anziché eliminare l'intero progetto.

Se intendi esplorare più architetture, tutorial o guide rapide, il riuso dei progetti può aiutarti a non superare i limiti di quota.

1. In the Google Cloud console, go to the Manage resources page.

   Go to Manage resources

2. In the project list, select the project that you want to delete, and then click Delete.
3. In the dialog, type the project ID, and then click Shut down to delete the project.

Eliminazione del cluster Dataproc

Vedi Eliminare un cluster.

Passaggi successivi

• Consulta i suggerimenti per l'ottimizzazione dei job di Spark