Python pandas を使ってHive 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 ApacheHive は、pandas、Matplotlib モジュール、SQLAlchemy ツールキットから使用することで Hive にデータ連携するPython アプリケーションを構築し、Hive 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Hive 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Hive 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。Hive 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Hive 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）。

Hive データへの接続

Hive 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。

Apache Hive への接続を確立するには以下を指定します。

• Server：HiveServer2 をホストするサーバーのホスト名またはIP アドレスに設定。
• Port：HiveServer2 インスタンスへの接続用のポートに設定。
• TransportMode：Hive サーバーとの通信に使用するトランスポートモード。有効な入力値は、BINARY およびHTTP です。デフォルトではBINARY が選択されます。
• AuthScheme：使用される認証スキーム。有効な入力値はPLAIN、LDAP、NOSASL、およびKERBEROS です。デフォルトではPLAIN が選択されます。
• 本製品においてTLS/SSL を有効化するには、UseSSL をTrue に設定します

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Hive 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Hive 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、Hive に連携するEngne を作成します。.

engine = create_engine("apachehive:///?Server=127.0.0.1&Port=10000&TransportMode=BINARY")

Hive 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)

Hive 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、Hive 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

Hive Python Connector の30日の無償トライアル をぜひダウンロードして、Hive 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("apachehive:///?Server=127.0.0.1&Port=10000&TransportMode=BINARY")
df = pandas.read_sql("""SELECT City, CompanyName FROM Customers WHERE Country = 'US'""", engine)

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