Utilizzare Ray su Vertex AI con BigQuery

Quando esegui un'applicazione Ray su Vertex AI, utilizza BigQuery come database cloud. Questa sezione illustra come leggere e scrivere in un database BigQuery dal tuo cluster Ray su Vertex AI. I passaggi descritti in questa sezione presuppongono l'utilizzo dell'SDK Vertex AI per Python.

Per leggere da un set di dati BigQuery, crea un nuovo set di dati BigQuery o utilizza un set di dati esistente.

Importa e inizializza il client Ray su Vertex AI

Se sei connesso al cluster Ray su Vertex AI, riavvia il kernel ed esegui il seguente codice. La variabile runtime_env è necessaria al momento della connessione per eseguire i comandi BigQuery.

import ray
from google.cloud import aiplatform

# The CLUSTER_RESOURCE_NAME is the one returned from vertex_ray.create_ray_cluster.
address = 'vertex_ray://{}'.format(CLUSTER_RESOURCE_NAME)

runtime_env = {
    "pip":
       ["google-cloud-aiplatform[ray]","ray==2.47.1"]
  }

ray.init(address=address, runtime_env=runtime_env)

Leggere i dati da BigQuery

Leggi i dati dal tuo set di dati BigQuery. Un Ray Task deve eseguire l'operazione di lettura.

aiplatform.init(project=PROJECT_ID, location=LOCATION)

@ray.remote
def run_remotely():
    import vertex_ray
    dataset = DATASET
    parallelism = PARALLELISM
    query = QUERY

    ds = vertex_ray.data.read_bigquery(
        dataset=dataset,
        parallelism=parallelism,
        query=query
    )
    ds.materialize()

Dove:

  • PROJECT_ID: Google Cloud ID progetto. Trova l'ID progetto nella pagina di benvenuto della console Google Cloud .

  • LOCATION: la posizione in cui è archiviato Dataset. Ad esempio us-central1.

  • DATASET: set di dati BigQuery. Deve essere nel formato dataset.table. Imposta su None se fornisci una query.

  • PARALLELISM: un numero intero che influenza il numero di attività di lettura create in parallelo. Potrebbero essere stati creati meno flussi di lettura di quelli che hai richiesto.

  • QUERY: una stringa contenente una query SQL per leggere dal database BigQuery. Imposta questo valore su None se non è richiesta alcuna query.

Trasformare i dati

Aggiorna ed elimina righe e colonne dalle tabelle BigQuery utilizzando pyarrow o pandas. Se vuoi utilizzare le trasformazioni pandas, mantieni il tipo di input pyarrow e converti in pandas all'interno della funzione definita dall'utente dall'utente (UDF) in modo da poter rilevare eventuali errori di tipo di conversione pandas all'interno della UDF. Un Ray Task deve eseguire la trasformazione.

@ray.remote
def run_remotely():
    # BigQuery Read first
    import pandas as pd
    import pyarrow as pa

    def filter_batch(table: pa.Table) -> pa.Table:
        df = table.to_pandas(types_mapper={pa.int64(): pd.Int64Dtype()}.get)
        # PANDAS_TRANSFORMATIONS_HERE
        return pa.Table.from_pandas(df)

    ds = ds.map_batches(filter_batch, batch_format="pyarrow").random_shuffle()
    ds.materialize()

    # You can repartition before writing to determine the number of write blocks
    ds = ds.repartition(4)
    ds.materialize()

Scrivere dati in BigQuery

Inserisci i dati nel set di dati BigQuery. Un'attività Ray deve eseguire la scrittura.

@ray.remote
def run_remotely():
    # BigQuery Read and optional data transformation first
    dataset=DATASET
    vertex_ray.data.write_bigquery(
        ds,
        dataset=dataset
    )

Dove:

  • DATASET: set di dati BigQuery. Il set di dati deve essere nel formato dataset.table.

Passaggi successivi