Fugue项目快速入门：10分钟掌握核心API

项目概述

Fugue是一个旨在简化大数据处理流程的开源项目，它通过提供统一的接口让用户能够轻松地在不同计算引擎（如Spark、Dask、Ray等）上执行分布式计算。本文将带您快速了解Fugue的核心API功能，帮助数据从业者快速上手使用。

适用人群

Fugue特别适合以下三类用户：

1. 需要将Python或Pandas编写的业务逻辑扩展到更大数据集的数据科学家
2. 希望通过分布式计算并行化现有代码的数据从业者
3. 希望减少Spark/Dask/Ray代码维护和测试工作量的数据团队

环境准备

首先我们需要初始化一个Spark会话，后续示例会用到：

from pyspark.sql import SparkSession
spark = SparkSession.builder.getOrCreate()

核心功能：transform()函数

Fugue最核心的功能是transform()函数，它能让用户轻松地将Pandas或Python代码扩展到分布式执行环境，而只需做最小的代码修改。

基础示例：模型预测

让我们通过一个机器学习预测的例子来演示：

1. 首先训练一个简单的线性回归模型：

import pandas as pd
import numpy as np
from sklearn.linear_model import LinearRegression

X = pd.DataFrame({"x_1": [1, 1, 2, 2], "x_2":[1, 2, 2, 3]})
y = np.dot(X, np.array([1, 2])) + 3
reg = LinearRegression().fit(X, y)

2. 然后定义一个预测函数：

def predict(df: pd.DataFrame, model: LinearRegression) -> pd.DataFrame:
    """使用预训练模型进行预测"""
    return df.assign(predicted=model.predict(df))

# 测试数据
input_df = pd.DataFrame({"x_1": [3, 4, 6, 6], "x_2":[3, 3, 6, 6]})

# 本地测试
predict(input_df, reg)

3. 现在使用Fugue将这个函数扩展到Spark执行：

from fugue import transform

result = transform(
    df=input_df,
    using=predict,
    schema="*,predicted:double",
    params=dict(model=reg),
    engine=spark
)

print(type(result))  # 输出: <class 'pyspark.sql.dataframe.DataFrame'>
result.show()

transform()函数参数解析

• df: 输入DataFrame（可以是Pandas、Spark、Dask或Ray DataFrame）
• using: 要应用的Python函数
• schema: 输出结果的schema定义
• params: 传递给函数的参数字典
• engine: 执行引擎（Pandas、Spark、Dask或Ray）

执行引擎选择

Fugue支持多种执行引擎，使用方式非常灵活：

# 使用Spark
transform(df, fn, ..., engine=spark_session)  # 输出Spark DataFrame

# 使用Dask
transform(df, fn, ..., engine=dask_client)    # 输出Dask DataFrame

# 使用Ray
transform(df, fn, ..., engine="ray")          # 输出Ray Dataset

如果不指定engine参数，Fugue会根据输入DataFrame的类型自动选择执行引擎：

transform(df, fn, ...)          # 使用Pandas
transform(spark_df, fn, ...)    # 使用Spark
transform(dask_df, fn, ...)     # 使用Dask
transform(ray_df, fn, ...)      # 使用Ray

本地结果返回

默认情况下，Fugue不会将分布式DataFrame转换为本地Pandas DataFrame。如果需要本地结果，可以设置as_local=True：

local_result = transform(
    df=input_df,
    using=predict,
    schema="*,predicted:double",
    params=dict(model=reg),
    engine=spark,
    as_local=True
)

print(type(local_result))  # 输出: <class 'pandas.core.frame.DataFrame'>

注意：对于大数据集，不建议返回本地DataFrame，可能会造成驱动程序内存不足。

类型提示与转换

Fugue通过函数类型提示来指导数据转换。前面的例子使用了pd.DataFrame作为输入输出类型，但Fugue也支持其他格式：

1. 使用字典列表作为输入输出：

from typing import List, Dict, Any

def add_row2(df: List[Dict[str,Any]]) -> List[Dict[str,Any]]:
    result = []
    for row in df:
        row["total"] = row["a"] + row["b"] + row["c"]
        if row["total"] < 10:
            result.append(row)
    return result

2. 使用列表的列表作为输入输出：

from typing import List, Iterable, Any

def add_row3(df: List[List[Any]]) -> Iterable[List[Any]]:
    for row in df:
        row.append(sum(row))
        if row[-1] < 10:
            yield row

这些函数都可以直接使用transform()函数在分布式环境中执行，Fugue会自动处理类型转换。

总结

通过本文，我们快速了解了Fugue项目的核心功能：

1. 使用transform()函数轻松将Pandas/Python代码扩展到分布式环境
2. 支持多种执行引擎（Spark、Dask、Ray）的无缝切换
3. 灵活的类型系统支持多种数据格式
4. 简化分布式代码的测试和维护

Fugue的强大之处在于它让开发者可以专注于业务逻辑，而不必担心底层分布式计算的复杂性。对于需要处理大数据的Python开发者来说，Fugue是一个非常值得尝试的工具。