Skip to content

Arrow/fr

Apache Arrow est une plateforme de développement multilingue pour la gestion des données en mémoire. Elle utilise un format standardisé en colonnes qui organise les données hiérarchiques ou autres afin de permettre des opérations analytiques efficaces. La plateforme offre des bibliothèques de calcul, la transmission sans copie et en continu des données et la communication interprocessus. Parmi les langages pris en charge, on compte C, C++, C#, Go, Java, JavaScript, MATLAB, Python, R, Ruby et Rust.

CUDA

Arrow est aussi disponible avec CUDA.

module load gcc arrow/X.Y.Z cuda

où X.Y.Z désigne la version.

Interfaces Python

Le module contient des interfaces pour plusieurs versions de Python. Pour connaître les versions compatibles, lancez

module spider arrow/X.Y.Z

où X.Y.Z désigne la version.

Ou cherchez pyarrow directement avec

module spider pyarrow

PyArrow

Les interfaces Python (appelées PyArrow) s’intègrent avec les objets de première classe NumPy, Pandas, et les objets natifs Python. Elles sont basées sur l'implémentation C++ de Arrow.

  1. Chargez les modules requis.

    module load gcc arrow/X.Y.Z python/3.11

    où X.Y.Z désigne la version.

  2. Importez PyArrow.

    python -c "import pyarrow"

    L’importation est réussie si rien n’est affiché.

Pour plus d'information, consultez la documentation Python.

Autres paquets Python dépendants

L'installation de certains paquets Python dépend de PyArrow. Une fois le module arrow chargé, la dépendance à pyarrow sera satisfaite.

pip list | grep pyarrow

pyarrow    17.0.0

Si pip list affiche une entrée, alors pyarrow est disponible et visible par pip. S'il n'y a pas d'entrée, pyarrow n'est pas disponible.

Format Apache Parquet

Le format de fichier Parquet est disponible.

Pour importer le module Parquet, effectuez les étapes pour pyarrow ci-dessus et lancez ensuite

python -c "import pyarrow.parquet"

L’importation est réussie si rien n’est affiché.

Interfaces R

Arrow possède une interface avec la bibliothèque Arrow C++ pour permettre l'accès en R à plusieurs de ses fonctionnalités. Ceci inclut l’analyse de grands ensembles de données multifichiers (open_dataset()); la capacité de travailler avec des fichiers individuels de format Parquet (read_parquet(), write_parquet()) et Feather (read_feather(), write_feather()); l'accès à la mémoire et aux messages Arrow.

Installation

  1. Chargez les modules requis.

    module load StdEnv/2020 gcc/9.3.0 arrow/8 r/4.1 boost/1.72.0

  2. Spécifiez le répertoire d’installation local.

    mkdir -p ~/.local/R/$EBVERSIONR/
export R_LIBS=~/.local/R/$EBVERSIONR/

  3. Exportez les variables requises pour vous assurer d’utiliser l'installation du système.

    export PKG_CONFIG_PATH=$EBROOTARROW/lib/pkgconfig
export INCLUDE_DIR=$EBROOTARROW/include
export LIB_DIR=$EBROOTARROW/lib

  4. Installez les interfaces.

    R -e 'install.packages("arrow", repos="https://cloud.r-project.org/")'

Utilisation

Une fois les interfaces installées, il faut les charger.

  1. Chargez les modules requis.

    module load StdEnv/2020 gcc/9.3.0 arrow/8 r/4.1

  2. Chargez la bibliothèque.

    R -e "library(arrow)"

    > library("arrow")
Attaching package: ‘arrow’

Pour plus d'information, consultez la documentation Arrow sur R.

Dépannage

Ceci est une erreur normale générée par cette roue factice.

Voir la page Dummy wheel.

Erreur : ModuleNotFoundError: No module named 'pyarrow'

Une erreur peut survenir à l'importation de pyarrow.

python -c "import pyarrow"

Traceback (most recent call last):
  File "<string>", line 1, in <module>
ModuleNotFoundError: No module named 'pyarrow'

Ceci se produit habituellement dans l'un ou l'autre cas suivant :

  1. un module Arrow n'est pas chargé,
  2. un module Python n'est pas chargé.

Module Arrow non chargé

Chargez un module arrow compatible (voir PyArrow).

Module Python non chargé

Quand un module Python n'est pas chargé et qu'un environnement virtuel est activé, les interfaces Python ne sont pas disponibles et donc pyarrow n'est pas visible.

Solution

  1. Désactivez l'environnement virtuel Python.

    test $VIRTUAL_ENV && deactivate

    Remarque

    Si un environnement virtuel est actif, il est important de le désactiver avant de charger le module. Une fois le module chargé, activez à nouveau l'environnement virtuel.

  2. Chargez le module.

    module load arrow/x.y.z python/x.y.z

  3. Vérifiez que le module est visible par pip.

    pip list | grep pyarrow

    pyarrow            23.0.1

    et que le module Python que vous avez chargé lui a accès.

    python -c 'import pyarrow'

    Si aucune erreur ne survient, tout va bien.