Python pandas を使ってDatabricks データをビジュアライズ

Python エコシステムには多くのモジュールがあり、システム構築を素早く効率的に行うのに役立ちます。CData Python Connector for Databricks は、pandas、Matplotlib モジュール、SQLAlchemy ツールキットから使用することで Databricks にデータ連携するPython アプリケーションを構築し、Databricks をビジュアライズできます。本記事では、pandas、SQLAlchemy、およびMatplotlib のビルトイン機能でDatabricks にリアルタイムアクセスし、クエリを実行し、結果をビジュアライズする方法を説明します。

CData Python Connector は、ビルトインされた効率的なデータプロセスにより、リアルタイムDatabricks データにPython からアクセスし、高いパフォーマンスと接続性を発揮します。Databricks に複雑なクエリを投げる際に、ドライバーはフィルタリング、集計などがサポートされている場合、SQL 処理を直接Databricks 側に行わせ、サポートされていないSQL 処理については、組み込まれたSQL エンジンによりクライアント側で処理を行います（特にJOIN やSQL 関数など）。

Databricks データへの接続

Databricks への連携は、RDB ソースへのアクセスと同感覚で行うことができます。必要な接続プロパティを使って接続文字列を作成します。本記事では、接続文字列をcreate_engine 関数のパラメータとして送ります。

To connect to a Databricks cluster, set the properties as described below.

Note: The needed values can be found in your Databricks instance by navigating to Clusters, and selecting the desired cluster, and selecting the JDBC/ODBC tab under Advanced Options.

• Server: Set to the Server Hostname of your Databricks cluster.
• HTTPPath: Set to the HTTP Path of your Databricks cluster.
• Token: Set to your personal access token (this value can be obtained by navigating to the User Settings page of your Databricks instance and selecting the Access Tokens tab).

以下の手順に従い、必要なモジュールをインストールし、Python オブジェクト経由でDatabricks にアクセスします。

必要なモジュールのインストール

pip で、pandas & Matplotlib モジュールおよび、SQLAlchemy ツールキットをインストールします：

pip install pandas
pip install matplotlib
pip install sqlalchemy

以下のようにモジュールをインポートします：

import pandas
import matplotlib.pyplot as plt
from sqlalchemy import create_engine

Python でDatabricks データをビジュアライズ

次は、接続文字列で接続を確立します。create_engine 関数を使って、Databricks に連携するEngne を作成します。.

engine = create_engine("databricks:///?Server=127.0.0.1&Port=443&TransportMode=HTTP&HTTPPath=MyHTTPPath&UseSSL=True&User=MyUser&Password=MyPassword")

Databricks にアクセスするSQL を実行

pandas のread_sql 関数を使って好きなSQL を発行して、DataFrame にデータを格納します。

df = pandas.read_sql("""SELECT City, CompanyName FROM Customers WHERE Country = 'US'""", engine)

Databricks データをビジュアライズ

DataFrame に格納されたクエリ結果に対して、plot 関数をつかって、Databricks data をグラフで表現してみます。show メソッドはグラフを新しいウィンドウに表示します。

df.plot(kind="bar", x="City", y="CompanyName")
plt.show()

製品の無償トライアル情報

Databricks Python Connector の30日の無償トライアル をぜひダウンロードして、Databricks への接続をPython アプリやスクリプトから簡単に作成しましょう。

ソースコードe

import pandas
import matplotlib.pyplot as plt
from sqlalchemy import create_engin

engine = create_engine("databricks:///?Server=127.0.0.1&Port=443&TransportMode=HTTP&HTTPPath=MyHTTPPath&UseSSL=True&User=MyUser&Password=MyPassword")
df = pandas.read_sql("""SELECT City, CompanyName FROM Customers WHERE Country = 'US'""", engine)

df.plot(kind="bar", x="City", y="CompanyName")
plt.show()