Cette page a été traduite par l'API Cloud Translation.

Utiliser Dataproc, BigQuery et Apache Spark ML pour le machine learning

Le connecteur BigQuery pour Apache Spark permet aux data scientists d'associer la puissance du moteur SQL évolutif de BigQuery aux capacités de machine learning d'Apache Spark. Dans ce tutoriel, vous apprendrez à utiliser Dataproc, BigQuery et Apache Spark ML pour effectuer des opérations de machine learning sur un ensemble de données.

Objectifs

Utilisez la régression linéaire pour créer un modèle de poids de naissance en fonction des cinq facteurs suivants :

Semaines de gestation
Âge de la mère
âge du père
Prise de poids de la mère pendant la grossesse
Score d'Apgar

Utilisez les outils suivants:

BigQuery, pour préparer la table d'entrée de régression linéaire, qui est écrite dans votre projet Google Cloud
Python, pour interroger et gérer les données dans BigQuery
Apache Spark, pour accéder à la table de régression linéaire obtenue
Spark ML, pour créer et évaluer le modèle
Job Dataproc PySpark pour appeler des fonctions Spark ML

Coûts

Dans ce document, vous utilisez les composants facturables suivants de Google Cloud :

Compute Engine
Dataproc
BigQuery

Obtenez une estimation des coûts en fonction de votre utilisation prévue à l'aide du simulateur de coût. Les nouveaux utilisateurs de Google Cloud peuvent bénéficier d'un essai gratuit.

Avant de commencer

Les composants Spark, y compris Spark ML, sont installés sur un cluster Dataproc. Pour configurer un cluster Dataproc et exécuter le code dans cet exemple, vous devez effectuer (ou faire en sorte que s'effectuent) les opérations suivantes :

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.

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

Go to project selector

Enable the Dataproc, BigQuery, Compute Engine APIs.

Enable the APIs

Install the Google Cloud CLI.

To initialize the gcloud CLI, run the following command:

gcloud init

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

Go to project selector

Enable the Dataproc, BigQuery, Compute Engine APIs.

Enable the APIs

Install the Google Cloud CLI.

To initialize the gcloud CLI, run the following command:

gcloud init

Créez un cluster Dataproc dans votre projet. Le cluster doit exécuter une version Dataproc avec Spark 2.0 ou une version ultérieure (y compris les bibliothèques de machine learning).

Créer un sous-ensemble de données `natality` BigQuery

Dans cette section, vous créez un ensemble de données dans votre projet, puis une table dans cet ensemble de données. Copiez un sous-ensemble de données dans la table regroupant des données de taux de natalité, issues de l'ensemble de données publiques natality BigQuery. Dans la suite de ce tutoriel, vous utiliserez les données du sous-ensemble de cette table pour prédire le poids de naissance en fonction de l'âge de la mère, de l'âge du père et du nombre de semaines de gestation.

Vous pouvez créer le sous-ensemble de données à l'aide de la console Google Cloud ou en exécutant un script Python sur votre machine locale.

Console

Créez un ensemble de données dans votre projet.
1. Accédez à l'interface utilisateur Web de BigQuery.
2. Dans le volet de navigation de gauche, cliquez sur le nom de votre projet, puis sur CREATE DATASET (Créer un ensemble de données).
3. Dans la boîte de dialogue Create Dataset (Créer un ensemble de données) :
  1. Dans le champ Dataset ID (ID de l'ensemble de données), saisissez "natality_regression".
  2. Dans le champ Emplacement des données, sélectionnez un emplacement pour l'ensemble de données. La valeur par défaut est US multi-region. Une fois l'ensemble de données créé, l'emplacement ne peut plus être modifié.
  3. Pour indiquer le délai d'expiration par défaut de la table, choisissez l'une des options suivantes :
    - Jamais (par défaut) : vous devez supprimer la table manuellement.
    - Nombre de jours : la table est supprimée une fois le nombre de jours spécifié écoulé, à compter de sa date de création.
  4. Dans le champ Chiffrement, choisissez l'une des options suivantes :
    - Clé appartenant à Google et gérée par Google (par défaut).
    - Clé gérée par le client : consultez la page Protéger des données avec des clés Cloud KMS
  5. Cliquez sur Créer un ensemble de données.
    Vous ne pouvez pas ajouter de description ni d'étiquette lorsque vous créez un ensemble de données à l'aide de l'interface utilisateur Web. Une fois l'ensemble de données créé, vous pouvez ajouter une description et ajouter une étiquette.
Exécutez une requête sur l'ensemble de données public "natality", puis enregistrez les résultats de la requête dans une nouvelle table de l'ensemble de données.
1. Copiez et collez la requête suivante dans l'éditeur de requête, puis cliquez sur "Exécuter".
```
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. Une fois la requête terminée (au bout d'une minute environ), les résultats sont enregistrés sous la forme d'une table BigQuery "regression_input" dans l'ensemble de données natality_regression de votre projet.

Python

Avant d'essayer cet exemple, suivez les instructions de configuration de Python dans le Guide de démarrage rapide de Dataproc avec bibliothèques clientes. Pour en savoir plus, consultez la documentation de référence de l'API Dataproc Python.

Pour vous authentifier auprès de Dataproc, configurez les identifiants par défaut de l'application. Pour en savoir plus, consultez Configurer l'authentification pour un environnement de développement local.

Voir Configurer un environnement de développement Python pour obtenir des instructions sur l'installation de Python et de la bibliothèque cliente Google Cloud pour Python (nécessaire pour exécuter le code). Il est recommandé d'installer et d'utiliser un environnement virtualenv Python.

Copiez et collez le code natality_tutorial.py ci-dessous dans une interface système python sur votre machine locale. Appuyez sur la touche <return> dans l'interface système pour exécuter le code permettant de créer un ensemble de données BigQuery "natality_regression" dans votre projet Google Cloud par défaut avec une table "regression_input", laquelle est remplie avec un sous-ensemble de données natality publiques.

"""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

Confirmez la création de l'ensemble de données natality_regression et de la table regression_input.

Exécuter une régression linéaire

Dans cette section, vous allez exécuter une régression linéaire PySpark en le job au service Dataproc à l'aide de la console Google Cloud ou en exécutant la commande gcloud à partir d'un terminal local.

Console

Copiez et collez le code suivant dans un nouveau fichier natality_sparkml.py sur votre machine 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()

Copiez le fichier natality_sparkml.py local dans un bucket Cloud Storage de votre projet.
```
gcloud storage cp natality_sparkml.py gs://bucket-name
```
Plutôt que de copier le fichier dans un bucket utilisateur de votre projet, vous pouvez le copier dans le bucket de préproduction créé par Dataproc au moment de la création du cluster.
Exécutez la régression depuis la page Dataproc Envoyer une tâche.
1. Dans le champ Fichier Python principal, insérez l'URI gs:// du bucket Cloud Storage dans lequel se trouve votre copie du fichier natality_sparkml.py.
2. Sélectionnez PySpark comme type de tâche.
3. Insérez gs://spark-lib/bigquery/spark-bigquery-latest_2.12.jar dans le champ Fichiers JAR. Cela met ainsi le connecteur spark-bigquery à la disposition de l'application PySpark au moment de l'exécution, de sorte qu'elle puisse lire les données BigQuery dans un DataFrame Spark.
  Le fichier jar 2.12 est compatible avec les clusters Dataproc créés avec l'image 1.5 ou ultérieure. Si votre cluster Dataproc a été créé avec l'image 1.3 ou 1.4, spécifiez plutôt le fichier jar 2.11 (gs://spark-lib/bigquery/spark-bigquery-latest_2.11.jar).
4. Renseignez les champs ID de tâche, Région et Cluster.
5. Cliquez sur Envoyer pour exécuter la tâche sur votre cluster.

Une fois la tâche terminée, le résumé du modèle de résultats de la régression linéaire s'affiche dans la fenêtre "Informations sur la tâche" de Dataproc.

gcloud

Copiez et collez le code suivant dans un nouveau fichier natality_sparkml.py sur votre machine 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()

Copiez le fichier natality_sparkml.py local dans un bucket Cloud Storage de votre projet.
```
gcloud storage cp natality_sparkml.py gs://bucket-name
```
Au lieu de copier le fichier dans un bucket utilisateur de votre projet, vous pouvez copiez-le dans le bucket de préproduction que Dataproc a créé lorsque vous avez créé d'un cluster.
Envoyez la tâche Pyspark au service Dataproc en exécutant la commande gcloud, illustrée ci-dessous, à partir d'une fenêtre de terminal sur votre machine locale.
1. La valeur de l'option --jars met le connecteur spark-bigquery à la disposition de la tâche PySpark au moment de l'exécution, de sorte qu'elle puisse lire les données BigQuery dans 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
```
  Le fichier jar 2.12 est compatible avec les clusters Dataproc créés avec l'image 1.5 ou ultérieure. Si votre cluster Dataproc a été créé avec l'image 1.3 ou 1.4, spécifiez plutôt le fichier jar 2.11. Pour en savoir plus, consultez la section Mettre le connecteur à la disposition de votre application.

Les résultats de la régression linéaire (résumé du modèle) s'affichent dans la fenêtre du terminal une fois la tâche terminée.

&lt;&lt;&lt; # Imprimez le résumé du modèle.
... imprimer "Coefficients :" + str(model.coefficients)
Coefficients:[0.0166657454602,-0.00296751984046,0.235714392936,0.00213002070133,-0.00048577251587]
&lt;&lt;&lt; imprimer "Intercept:" + str(model.intercept)
Intercepter:-2.26130330748
&lt;&lt;&lt; imprimer "R^2:" + str(model.summary.r2)
R^2:0.295200579035
&lt;&lt;&lt; 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|
+--------------------+
n'affiche que les 20 premières lignes.

Effectuer un nettoyage

Une fois le tutoriel terminé, vous pouvez procéder au nettoyage des ressources que vous avez créées afin qu'elles ne soient plus comptabilisées dans votre quota et qu'elles ne vous soient plus facturées. Dans les sections suivantes, nous allons voir comment supprimer ou désactiver ces ressources.

Supprimer le projet

Le moyen le plus simple d'empêcher la facturation est de supprimer le projet que vous avez créé pour ce tutoriel.

Pour supprimer le projet :

Attention : La suppression d'un projet entraîne les effets décrits ci-dessous :

Tout le contenu du projet est supprimé. Si vous avez utilisé un projet existant pour les tâches décrites dans ce document et que vous le supprimez, vous supprimerez également tout autre travail effectué dans le projet.
Les ID de projets personnalisés sont perdus. Lorsque vous avez créé ce projet, vous avez peut-être créé un ID de projet personnalisé que vous souhaitez utiliser à l'avenir. Pour conserver les URL qui utilisent l'ID de projet, telle qu'une URL appspot.com, supprimez les ressources sélectionnées dans le projet au lieu de supprimer l'ensemble du projet.

Si vous envisagez d'explorer plusieurs architectures, tutoriels et guides de démarrage rapide, réutiliser des projets peut vous aider à ne pas dépasser les limites de quotas des projets.

In the Google Cloud console, go to the Manage resources page.
Go to Manage resources
In the project list, select the project that you want to delete, and then click Delete.
In the dialog, type the project ID, and then click Shut down to delete the project.

Supprimer le cluster Dataproc

Consultez la section Supprimer un cluster.

Étape suivante

Consultez Conseils pour régler des tâches Spark.

Utiliser Dataproc, BigQuery et Apache Spark ML pour le machine learning

Objectifs

Coûts

Avant de commencer

Créer un sous-ensemble de données natality BigQuery

Console

Python

Exécuter une régression linéaire

Console

gcloud

Effectuer un nettoyage

Supprimer le projet

Supprimer le cluster Dataproc

Étape suivante

Créer un sous-ensemble de données `natality` BigQuery