Python pandas を使ってHDFS データを可視化・分析する方法

こんにちは！ウェブ担当の加藤です。マーケ関連のデータ分析や整備もやっています。

Python エコシステムには多くのライブラリがあり、開発やデータ分析を行う際には必須と言っていいライブラリも多く存在します。CData Python Connector for HDFS は、pandas、Matplotlib、SQLAlchemy から使用することで HDFS にデータ連携するPython アプリケーションを構築したり、HDFS データの可視化を実現します。本記事では、pandas、SQLAlchemy、およびMatplotlib のビルトイン機能でHDFS にリアルタイムアクセスし、クエリを実行して結果を可視化する方法を説明します。

CData Python Connectors の特徴

CData Python Connectors は、以下のような特徴を持った製品です。

1. HDFS をはじめとする、CRM、MA、会計ツールなど多様なカテゴリの270種類以上のSaaS / オンプレデータソースに対応
2. pandas をはじめとする多様なデータ分析・BI ツールにHDFS データを連携
3. ノーコードでの手軽な接続設定

CData Python Connectors では、1.データソースとしてHDFS の接続を設定、2.Python からPython Connectors との接続を設定、という2つのステップだけでデータソースに接続できます。以下に具体的な設定手順を説明します。

以下の手順に従い、必要なライブラリをインストールし、Python オブジェクト経由でHDFS にアクセスします。

必要なライブラリのインストール

pip で、pandas & Matplotlib ライブラリおよび、SQLAlchemy をインストールします。

pip install pandas
pip install matplotlib
pip install sqlalchemy

次にライブラリをインポートします。

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

Python でHDFS データを可視化

次は接続文字列を作成してHDFS に接続します。create_engine 関数を使って、HDFS に連携するEngne を作成します。以下はサンプルの接続文字列になりますので、環境に応じてクレデンシャル部分を変更してください。

engine = create_engine("hdfs:///?Host=sandbox-hdp.hortonworks.com&Port=50070&Path=/user/root&User=root")

HDFS 接続プロパティの取得・設定方法

HDFS への認証には、次の接続プロパティを設定します。

• Host：HDFS インスタンスのホストに設定してください。
• Port: HDFS インスタンスのポートに設定してください。デフォルトのポートは"50070" です。

HDFS 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 FileId, ChildrenNum FROM Files WHERE FileId = '119116'""", engine)

HDFS データを可視化

DataFrame に格納されたクエリ結果に対して、plot 関数をつかって、HDFS データをグラフ化してみます。

df.plot(kind="bar", x="FileId", y="ChildrenNum")
plt.show()

HDFS からPython へのデータ連携には、ぜひCData Python Connector をご利用ください

このようにCData Python Connector と併用することで、270を超えるSaaS、NoSQL データをPython からコーディングなしで扱うことができます。30日の無償評価版が利用できますので、ぜひ自社で使っているクラウドサービスやNoSQL と合わせて活用してみてください。

日本のユーザー向けにCData Python Connector は、UI の日本語化、ドキュメントの日本語化、日本語でのテクニカルサポートを提供しています。

ソースコード

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

engine = create_engine("hdfs:///?Host=sandbox-hdp.hortonworks.com&Port=50070&Path=/user/root&User=root")
df = pandas.read_sql("""SELECT FileId, ChildrenNum FROM Files WHERE FileId = '119116'""", engine)

df.plot(kind="bar", x="FileId", y="ChildrenNum")
plt.show()