= Apache Arrow

: subtitle
   A cross-language development platform\nfor in-memory data
: author
   Kouhei Sutou
: institution
   ClearCode Inc.
: content-source
   SciPy Japan 2019
: date
   2019-04-23
: start-time
   2019-04-23T14:30:00+09:00
: end-time
   2019-04-23T14:55:00+09:00
: theme
   .

= Me

Ruby committer since 2004\n
(('note:2004年からRubyコミッター'))

= Why do I talk at SciPy?\n(('note:なぜSciPyで話しているのか？'))

To introduce\n
((*Apache Arrow*))\n
(('note:((*Apache Arrow*))を紹介するため'))

= Apache Arrow

  # blockquote
  # title = https://arrow.apache.org/

  A cross-language development platform for in-memory data\n
  (('note:インメモリーデータ向け多言語対応開発プラットフォーム'))

= Cross-language\n(('note:多言語対応'))

  * C, C++, C#, Go, Java,
  * JavaScript, MATLAB, ((*Python*)),
  * R, ((*Ruby*)) and Rust

= Development platform\n(('note:開発プラットフォーム'))

Apache Arrow ...

  * specifies standards and\n
    (('note:標準化'))
  * provides implementations\n
    (('note:実装'))

to advance cooperation by many people\n
(('note:多くの人が協力できるように'))

= For in-memory data\n(('note:インメモリーデータ'))

Apache Arrow focuses on ↓ ((*for now*))\n
(('note:Apache Arrowは((*今のところ*))は↓に注力'))

  * sharing columnar/tensor data\n
    (('note:カラムナーデータ・テンソルデータの共有'))
  * analyzing columnar data\n
    (('note:カラムナーデータの分析'))
  * RPC for columnar data\n
    (('note:カラムナーデータのRPC'))

= Apache Arrow and Python\n(('note:Apache ArrowとPython'))

  * As pickle replacement\n
    (('note:pickleの代替'))
    * PySpark does\n
      (('note:PySparkはすでにやっている'))
  * As dataframe library\n
    (('note:データフレームライブラリー'))
    * pandas and Vaes use Apache Arrow a bit\n
      (('note:pandasとVaesはApache Arrowを少し使っている'))

= Apache Arrow and me\n(('note:Apache Arrowと私'))

    # image
    # src = images/apache-arrow-and-me.svg
    # align = right
    # vertical-align = bottom
    # relative-width = 65
    # relative-margin-right = 20
    # relative-padding-bottom = -15

  * A release manager(('note:（リリースマネージャー）'))
    * 0.11.0 and 0.13.0 (('note:(the latest release/最新リリース)'))
  * An active developer(('note:（アクティブな開発者）'))

(('tag:margin-top * 10'))

= Feature (1)\n(('note:機能（1）'))

Effective serialization\n
(('note:効率的なシリアライズ'))

= Why effective?\n(('note:なぜ効率的なのか'))

  * Don't parse data\n
    (('note:データをパースしないから'))
  * Use data directly\n
    (('note:データをそのまま使うから'))

= Data format: Number\n(('note:データフォーマット：数値'))

  Contiguous data (Same as C array)
  連続データ（Cの配列と同じ）

  32bit integer: [1, 2, 3]
  0x01 0x00 0x00 0x00 0x02 0x00 0x00 0x00 0x03 ...

= Compare to JSON\n(('note:JSONと比較'))

  　　　　"[1, 2, 3]"
              ↓
  "1" → 1 (String → Number)
  "2" → 2 (String → Number)
  "3" → 3 (String → Number)

= Merit of direct data use\n(('note:データを直接使うことのメリット'))

  * Zero copy cost\n
    (('note:コピーコストをなくせる'))
    * Copy is costly for large data\n
      (('note:大きなデータではコピーはコストが高い'))
  * (Nearly) zero parse cost\n
    (('note:（ほぼ）パースコストをなくせる'))
    * Only need to parse metadata\n
      (('note:メタデータをパースするだけでよい'))

= Performance\n(('note:性能'))

  # image
  # src = images/serialize-list.png
  # relative_height = 77

(('note:((<Fast Python Serialization with Ray and Apache Arrow|URL:https://arrow.apache.org/blog/2017/10/15/fast-python-serialization-with-ray-and-arrow/>))'))

(('note:Apache License 2.0: (c) 2016-2019 The Apache Software Foundation'))

= Zero copy and large data\n(('note:ゼロコピーと大きなデータ'))

  * pandas can't process large data\n
    (('note:pandasは大きなデータを扱えない'))
    * Because it needs to allocate memory\n
      (('note:メモリーを確保する必要があるから'))
  * Apache Arrow supports memory mapping\n
    (('note:Apache Arrowはメモリーマッピング対応'))
    * Can use data in file directly without copy\n
      (('note:ファイル内のデータをコピーせずに使える'))

= Effective string representation\n(('note:効率的な文字列表現'))

  * pandas: Array of strings\n
    (('note:pandas：文字列の配列'))
    * Use discontiguous memory\n
      (('note:非連続なメモリーを使う'))
  * Apache Arrow: Data and array of lengths\n
    (('note:Apache Arrow：データと長さの配列'))
    * Use contiguous memory: Fast\n
      (('note:連続したメモリーを使う：速い'))

= Data format: String\n(('note:データフォーマット：文字列'))

  Data bytes + length array

  UTT-8 string: ["Hello", "", "!"]
  Data bytes: "Hello!"
  Length array: [0, 5, 5, 6]
  i-th length: lengths[i+1] - lengths[i]
  i-th data： data[lengths[i]:lengths[i+1]]

= Feature(?) (2)\n(('note:機能（？）（2）'))

Specify data format\n
(('note:データフォーマットを仕様化'))

= Why do Arrow specify?\n(('note:なぜArrowは仕様化するのか'))

Effective\n
data exchange\n
(('note:効率的なデータ交換のため'))

= Effective data exchange\n(('note:効率的なデータ交換'))

  * Use common format widely\n
    (('note:みんなが同じフォーマットを使うこと'))
    * No format conversion reduces resource usage\n
      (('note:フォーマットを変換しなくてよいならリソース使用量を減らせる'))
  * Use low {,de}serialize cost format\n
    (('note:シリアライズコストが低いフォーマットを使うこと'))
    * Fast

= Who uses Arrow format?\n(('note:Arrowフォーマットをだれが使っているか'))

  * ((<RAPIDS|URL:https://rapids.ai/>)): For NVIDIA GPU
  * ((<Fletcher|URL:https://github.com/johanpel/fletcher>)), ((<InAccel|URL:https://docs.inaccel.com/latest/manager/examples/#logistic-regression-with-apache-arrow>)): For FPGA
  * ((<Spark|URL:https://spark.apache.org/>)): For interprocess data exchange\n
    (('note:Spark：プロセス間のデータ交換のために'))

= CPU and GPU

  * Can't share data on memory\n
    (('note:メモリー上のデータを共有できない'))
  * Need to copy between CPU and GPU\n
    (('note:CPUとGPU間でコピーする必要がある'))
    * Effective data exchange improves performance\n
      (('note:データ交換を効率化することで高速化'))

= CPU and FPGA

  * Can't share data on memory\n
    (('note:メモリー上のデータを共有できない'))
  * Need to copy between CPU and FPGA\n
    (('note:CPUとFPGA間でコピーする必要がある'))
    * Effective data exchange improves performance\n
      (('note:データ交換を効率化することで高速化'))

= Spark

  * Process large data\n
    (('note:大きなデータを処理'))
  * Need to pass data to worker processes\n
    (('note:ワーカープロセスにデータを渡す必要がある'))
    * Effective data exchange improves performance\n
      (('note:データ交換を効率化することで高速化'))

= PySpark

  * Worker by Python\n
    (('note:ワーカーはPython'))
    * Use pikcle to exchange data\n
      (('note:データ交換にpickleを使用'))
  * Spark supports Arrow for data exchange\n
    (('note:Arrowを使ったデータ交換をサポート'))
    * Disabled by default\n
      (('note:デフォルトでは無効'))

= PySpark with Arrow

  In [2]: %time pdf = df.toPandas()
  CPU times: user 17.4 s, sys: 792 ms, total: 18.1 s
  Wall time: 20.7 s

  In [3]: spark.conf.set("spark.sql.execution.arrow.enabled", "true")

  In [4]: %time pdf = df.toPandas()
  CPU times: user 40 ms, sys: 32 ms, total: 72 ms
  Wall time: 737 ms

(('note:((< Speeding up PySpark with Apache Arrow|URL:https://arrow.apache.org/blog/2017/07/26/spark-arrow/>))'))

= Feature (3)\n(('note:機能（3）'))

Optimized\n
data processing\n
modules\n
(('note:最適化されたデータ処理モジュール'))

= Optimized data processing\n(('note:最適化されたデータ処理モジュール'))

  * Apache Arrow targets large data\n
    (('note:Apache Arrowは大きなデータを対象にしている'))
    * Performance is important\n
      (('note:性能は重要'))
  * How to get high performance...?\n
    (('note:どうすれば速くできる。。。？'))

= High performance (1)\n(('note:高速化（1）'))

Data locality\n
(('note:データを局所化'))

= Data locality\n(('note:データを局所化'))

  * Minimize cache misses\n
    (('note:キャッシュミスを減らす'))
  * Storage is very slow\n
    (('note:ストレージはすごく遅い'))
  * Memory is slow\n
    (('note:メモリーは遅い'))
  * CPU cache is fast\n
    (('note:CPUキャッシュは速い'))

= High performance (2)\n(('note:高速化（2）'))

SIMD\n
(('note:Single Instruction Multi Data'))\n
(('note:一気に複数のデータを処理する方法'))

= SIMD

  * Data must be contiguous and aligned\n
    (('note:データは連続していてアラインされていないといけない'))
    * Arrow format is SIMD ready\n
      (('note:ArrowフォーマットはSIMDを使える'))
  * No condition branch\n
    (('note:条件分岐がないこと'))
    * Use bitmap instead of "missing" for null\n
      (('note:nullを表現するために「欠損値」ではなく別途ビットマップを使う'))\n
      (('note:((<"Is it time to stop using sentinel values for null / NA values?"|URL:http://wesmckinney.com/blog/bitmaps-vs-sentinel-values/>))'))

= No condition branch\n(('note:条件分岐なし'))

  # img
  # src = images/simd-null.svg
  # relative_height = 100

== Slide property

: enable-title-on-image
   false

= FYI: null\n(('note:参考情報：null'))

  * All data types support null in Arrow\n
    (('note:Arrowはすべての型でnullをサポート'))
  * Some types only support null in NumPy\n
    (('note:NumPyは一部の型でnullをサポート'))\n
    (('note:((<欠損値の制約 - PythonとApache Arrow|URL:https://speakerdeck.com/sinhrks/pythontoapache-arrow-eaf72479-ce30-4161-8c73-15b555cc56c7?slide=11>))'))

= High performance (3)\n(('note:高速化（3）'))

Thread

= Thread

  * Use multi-cores in single process\n
    (('note:シングルプロセスで複数コアを使う'))
  * Minimize resource conflict\n
    (('note:リソースの競合をなくすこと'))
    * Locking to avoid conflict reduces performance\n
      (('note:競合を避けるためにロックすると性能劣化'))
  * Approaches(('note:（アプローチ）'))
    * Read only or copy (shared nothing)\n
      (('note:リードオンリーにするかコピー（なにも共有しない）'))

= Apache Arrow and thread\n(('note:Apache Arrowとスレッド'))

  * Data is read only\n
    (('note:データはリードオンリー'))
    * Share data in threads without lock overhead\n
      (('note:ロックのオーバーヘッドなしでスレッド間でデータを共有'))
  * Avoid both locking and copying\n
    (('note:ロックもコピーも避ける'))
    * They reduce performance\n
      (('note:どちらも性能劣化するから'))

= High performance (4)\n(('note:高速化（4）'))

Compute kernels\n
(('note:計算カーネル'))

= Compute kernels\n(('note:計算カーネル'))

  * SIMD ready primitive operations\n
    (('note:SIMDを使ったプリミティブな演算'))
  * Projection, Filter, Aggregation, ...\n
    (('note:射影とかフィルターとか集計とかとか'))
    * compare, take, mean, ...\n
      (('note:比較とか行選択とか平均とか'))

= High performance (5)\n(('note:高速化（5）'))

Subgraph compiler\n
(('note:サブグラフコンパイラー'))

= Subgraph compiler: Gandiva\n(('note:サブグラフコンパイラー：Gandiva'))

  * Compile operator graphs at run-time\n
    (('note:実行時に演算グラフをコンパイル'))
    * Operator graph: combined multiple operations\n
      (('note:演算グラフ：演算のまとまり'))
    * (({table.a + table.b < table.c && ...}))
  * Usable for query engine backend\n
    (('note:クエリーエンジンのバックエンドとして使える'))

= High performance (6)\n(('note:高速化（6）'))

Query engine\n
(('note:クエリーエンジン'))

= Query engine\n(('note:クエリーエンジン'))

  * For single node\n
    (('note:シングルノード向け'))
  * Dataflow-style operator execution\n
    (('note:データが流れるように演算を実行'))
    * scan → project → filter → aggregate → ...\n
      (('note:データ取得→射影→フィルター→集計→…'))

(('note:((<Apache Arrow Query Engine for C++|URL:https://docs.google.com/document/d/10RoUZmiMQRi_J1FcPeVAUAMJ6d_ZuiEbaM2Y33sNPu4/edit#>))'))

= Query engine from Python\n(('note:Pythonからクエリーエンジンを使う'))

  * With pandas(('note:（pandasと使う）'))
    * Large data → execute → (({to_pandas()}))\n
      (('note:大きなデータ→実行→(({to_pandas()}))'))
  * With Dask(('note:（Daskと使う）'))
    * Dask will be able to use this as backend\n
      (('note:Daskのバックエンドで使えるかも？'))

= High performance (7)\n(('note:高速化（7）'))

Datasets\n
(('note:データセット'))

= Datasets\n(('note:データセット'))

  * Scan data from storage/database\n
    (('note:ストレージ・データベースからデータ取得'))
    * File systems: local, HDFS, ...
    * Formats: CSV, Parquet, ...
    * Databases: MySQL, PostgreSQL, ...

(('note:((<Apache Arrow C++ Datasets|URL:https://docs.google.com/document/d/1bVhzifD38qDypnSjtf8exvpP3sSB5x_Kw9m-n66FB2c/edit#heading=h.22aikbvt54fv>))'))

= Fast datasets\n(('note:高速なデータセット'))

  * Predicate pushdown\n
    (('note:条件のプッシュダウン'))
    * Scan only needed data\n
    (('note:必要なデータのみ取得'))
  * Parallel scan\n
    (('note:並列取得'))

= Feature (4)\n(('note:機能（4）'))

RPC

= RPC: Arrow Flight

  * Fast RPC framework for Arrow\n
    (('note:Arrow用の高速なRPC'))
  * Based on gRPC with low-level extensions\n
    (('note:gRPCベースでいくつか低レベルの拡張をしている'))

(('note:((<Apache 0.11.0 Release|URL:https://arrow.apache.org/blog/2018/10/09/0.11.0-release/>))'))

= Wrap up\n(('note:まとめ'))

  * Arrow is useful for SciPy community\n
    (('note:SciPyコミュニティーにArrowは有用'))
    * in not only Python but also other languages\n
      (('note:Pythonだけでなく他の言語でも有用'))
  * Join Apache Arrow development!\n
    (('note:Apache Arrowの開発に参加しよう！'))
    * Ask me how to start\n
      (('note:なにから始めればよいかは私に相談してね'))

= Next step\n(('note:次の一歩'))

  * ((<Mailing list|URL:https://lists.apache.org/list.html?dev@arrow.apache.org>)): dev@arrow.apache.org
  * Chat in Japanese:
    * ((<URL:https://gitter.im/apache-arrow-ja/community>))
  * Apache Arrow Tokyo Meetup 2019 (('note:this summer?'))
    * See also: ((<Apache Arrow Tokyo Meetup 2018|URL:https://speee.connpass.com/event/103514>))