Python で pandas を使って HDFS データを可視化する方法

Python の豊富なエコシステムを活用することで、作業を迅速に開始し、システム間の連携をより効果的に行うことができます。CData Python Connector for HDFS、pandas および Matplotlib モジュール、SQLAlchemy ツールキットを組み合わせることで、HDFS に接続した Python アプリケーションやスクリプトを構築し、HDFS のデータを可視化できます。この記事では、pandas、SQLAlchemy、Matplotlib の組み込み関数を使用して HDFS のデータに接続し、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 Connector は、組み込みの最適化されたデータ処理機能により、Python での HDFS のデータへのリアルタイムアクセスにおいて比類のないパフォーマンスを提供します。HDFS に対して複雑な SQL クエリを発行すると、ドライバーはフィルタや集計などのサポートされている SQL 操作を HDFS に直接プッシュし、サポートされていない操作（多くの場合、SQL 関数や JOIN 操作）は組み込みの SQL エンジンを使用してクライアント側で処理します。

HDFS のデータへの接続

HDFS のデータへの接続は、他のリレーショナルデータソースへの接続と同様です。必要な接続プロパティを使用して接続文字列を作成します。この記事では、接続文字列を create_engine 関数のパラメータとして渡します。

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。
• Port：HDFS インスタンスのポートに設定。デフォルトのポートは"9870" です。

以下の手順に従って、必要なモジュールをインストールし、Python オブジェクトを介して HDFS にアクセスしてみましょう。

必要なモジュールのインストール

pip ユーティリティを使用して、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てください。

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

Python で HDFS のデータを可視化する

接続文字列を使用して接続できます。create_engine 関数を使用して、HDFS のデータを操作するための Engine を作成します。

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

HDFS への SQL の実行

pandas の read_sql 関数を使用して、SQL ステートメントを実行し、結果セットを DataFrame に格納します。

df = pandas.read_sql("SELECT FileId, ChildrenNum FROM Files WHERE FileId = '119116'", engine)

HDFS のデータの可視化

クエリ結果が DataFrame に格納されたら、plot 関数を使用して HDFS のデータを表示するグラフを作成します。show メソッドで、グラフを新しいウィンドウに表示します。

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

無料トライアル & 詳細情報

CData Python Connector for HDFS の 30日間無料トライアルをダウンロードして、HDFS のデータに接続する Python アプリケーションやスクリプトの構築を始めましょう。ご質問がありましたら、サポートチームまでお気軽にお問い合わせください。

完全なソースコード

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()