背景
PyODPS DataFrame 提供了类似 pandas 的接口，来操作 ODPS 数据，同时也支持在本地使用 pandas，和使用数据库来执行。
PyODPS DataFrame 除了支持类似 pandas 的 map 和 apply 方法，也提供了 MapReduce API 来扩展 pandas 语法以适应大数据环境。
PyODPS 的自定义函数是序列化到 MaxCompute 上执行的，MaxCompute 的 Python 环境只包含了 numpy 这一个第三方包，用户常常问的问题是，如何在自定义函数里使用 pandas、scipy 或者 scikit-learn 这样的包含c代码的库？
现在，MaxCompute 在 sprint 27 及更高版本的 isolation，让在自定义函数中使用这些包成为可能。同时，
PyODPS也需要至少0.7.4版本 。接下来我会详细介绍使用步骤。
步骤
上传第三方包（只需做一次）
这个步骤只需要做一次，当 MaxCompute 资源里有了这些包，这一步直接跳过。
现在这些主流的 Python 包都提供了 whl 包，提供了各平台包含二进制文件的包，因此找到能在 MaxCompute 上能运行的包是第一步。
其次，要想在 MaxCompute 上运行，需要包含所有的依赖包，这个是比较繁琐的。我们可以看下各个包的依赖情况（删除表示已经包含）
包名 依赖
pandas numpy, python-dateutil, pytz, sixscipy numpyscikit-learn numpy,scipy
所以，我们一共需要上传 python-dateutil、pytz、pandas、scipy、sklearn、six 这六个包，就能保证 pandas、scipy 和 scikit-learn 可用。
我们直接通过 http://mirrors.aliyun.com/pypi/simple 来找包。首先是 python-dateutils：http://mirrors.aliyun.com/pypi/simple/python-dateutil/ 。我们找到最新版，这个包是纯 Python 的包，我们找到最新版的 zip 包，python-dateutil-2.6.0.zip，下载。
重命名为 python-dateutil.zip，通过 MaxCompute Console 上传资源。
add archive python-dateutil.zip;
pytz 一样，找到 pytz-2017.2.zip。上传不表。
six 找到 six-1.11.0.tar.gz。
接下来，是pandas，对于这种包含c的包，我们一定要找 名字中包含cp27-cp27m-manylinux1_x86_64 的whl包，这样才能在 MaxCompute 上正确执行。因此，这样我们找到最新版的包是：pandas-0.20.2-cp27-cp27m-manylinux1_x86_64.whl。
这里我们把后缀改成zip，上传。
add archive pandas.zip;
其他包也是一样，因此，我们把它们都列出来：
包名 文件名 上传资源名
python-dateutil python-dateutil-2.6.0.zippython-dateutil.zippytz pytz-2017.2.zippytz.zipsix six-1.11.0.tar.gzsix.tar.gzpandas pandas-0.20.2-cp27-cp27m-manylinux1_x86_64.zippandas.zipscipy scipy-0.19.0-cp27-cp27m-manylinux1_x86_64.zipscipy.zipscikit-learn scikit_learn-0.18.1-cp27-cp27m-manylinux1_x86_64.zipsklearn.zip
至此，全部包上传都已完成。
当然，我们全部上传也可以使用 PyODPS 的资源上传接口来完成，同样只需要操作一遍即可。至于用哪个，看个人喜好了。
编写代码验证
我们写一个简单的函数，里面用到了所有的库，最好是在函数里来 import 这些第三方库。
deftest(x):fromsklearnimportdatasets, svmfromscipyimportmiscimportnumpyasnp iris = datasets.load_iris()assertiris.data.shape == (150,4)assertnp.array_equal(np.unique(iris.target), [0,1,2]) clf = svm.LinearSVC() clf.fit(iris.data, iris.target) pred = clf.predict([[5.0,3.6,1.3,0.25]])assertpred[0] ==0assertmisc.face().shapeisnotNonereturnx
这段代码只是示例，目标是用到以上所说的所有的包。
写完函数后，我们写一个简单的 map，记住， 运行时要确保 isolation 打开 ，如果不在 project 级别打开，可以在运行时打开，一个可以设置全局的选项：
fromodpsimportoptionsoptions.sql.settings = {'odps.isolation.session.enable':True}
也可以在 execute 方法上指定本次执行打开 isolation。
同样，我们可以在全局通过 options.df.libraries 指定用到的包，也可以在 execute 时指定。这里，我们要指定所有的包，包括依赖。下面就是调用刚刚定义的函数的例子。
hints = {'odps.isolation.session.enable':True}libraries = ['python-dateutil.zip','pytz.zip','six.tar.gz','pandas.zip','scipy.zip','sklearn.zip']iris = o.get_table('pyodps_iris').to_df()print iris[:1].sepal_length.map(test).execute(hints=hints, libraries=libraries)
可以看到，我们的函数顺利执行。
总结
对于要用到的第三方库及其依赖，如果已经上传，则可以直接编写代码，并指定用到的 libraries 即可；否则，需要按照教程上传第三方库。
可以看到，当第一步上传包做过后，以后每次使用都是优雅的，只需指定 libraries 就可以了。
网友评论