UDF-Python-进阶

本篇文档将指导你如何使用 UDF 进阶功能，包括以 phython 文件、whl 包构建 UDF。

开始前准备

环境配置

在你开始之前，确认你已经下载并安装了如下软件：

  • 确认你已完成安装 Python 3.8(or plus), 使用下面的代码检查 Python 版本确认安装成功：

1. #To check with Python installation and its version 2. python3 -V

Note

若操作系统中同时拥有 Pyhon2 和 Python3，使用 UDF 前需要全局配置为 Python3，例如可以通过重命名 /usr/bin/python，然后在该处创建同名的 python3 软链来实现全局配置，相关命令示例：

1. mv /usr/bin/python /usr/bin/python.bak 2. ln -s /usr/local/python3/bin/python3 /usr/bin/python - 下载安装 protobuf 和 grpcio 工具，使用下面的代码下载安装 protobuf 和 grpcio 工具：

1. pip3 install protobuf 2. pip3 install grpcio - 确认你已完成安装 MySQL 客户端。

启动 MatrixOne

  1. 按照快速开始章节的步骤使用 mo_ctl 完成 MatrixOne 的部署。部署完成后执行如下命令修改 mo_ctl 的配置：

1. mo_ctl set_conf MO_CONF_FILE="\${MO_PATH}/matrixone/etc/launch-with-python-udf-server/launch.toml" 2. 修改配置后需要启动（或重启）MatrixOne 服务来使配置生效，例如使用 mo_ctl 启动 MatrixOne 服务：

1. mo_ctl start 3. 待 MatrixOne 服务正常启动（若 MatrixOne 是首次启动，后台初始化会需要十秒左右的时间，初始化完成后才可连接）。执行如下命令访问 MatrixOne 服务：

1. mo_ctl connect

连接成功后将进入 mysql client 命令行工具。

导入 phython 文件以构建 UDF

嵌入式 UDF 将函数体直接写在 SQL 中，若函数逻辑十分复杂，会让 SQL 语句膨胀且不利于代码的维护。为避免这种情况，我们可以将 UDF 函数体编写在外部单独的 Python 文件中，然后通过导入 Python 文件的方式在 MatrixOne 中创建函数。

  1. 准备好 python 文件

可将原 SQL 函数体中的 python 代码编写在 /opt/add_func.py 文件内：

1. def add(a, b): 2. return a + b 2. 创建 UDF 函数

使用如下命令来创建函数，我们使用 import 关键字来导入指定路径下的 add_func.py 文件。

1. create or replace function py_add_2(a int, b int) 2. returns int 3. language python 4. import 5. '/opt/add_func.py' -- python 文件在操作系统中的绝对路径 6. handler 'add'; 3. 调用 UDF 函数

函数创建完成后，可使用函数名 + 匹配类型的参数列表来调用 UDF 函数，例如：

1. select py_add_2(12345,23456); 2. +-------------------------+ 3. | py_add(12345, 23456) | 4. +-------------------------+ 5. | 35801 | 6. +-------------------------+ 7. 1 row in set (0.02 sec)

导入 whl 包以构建 UDF

WHL file 是用于 python 分发的标准内置包格式，允许在不构建源代码分发的情况下运行安装包，WHL file 本质上是 ZIP 文件。

准备工作

  1. 在构建 whl 包前，我们需要安装以下工具：

1. pip install setuptools wheel 2. # setuptools：用于构建和打包 Python 库 3. # wheel：用于生成.whl 文件

构建 whl 包

  1. 按照如下的文件结构创建文件以及内容

我们使用一个简单的 Python 工程目录 func_add（文件夹名称可任意命名），其目录结构如下：

1. func_add/ 2. ├── add_udf.py 3. └── setup.py

其中，add_udf.py 是可正常可执行的 Python 代码文件，用来实现函数方法体逻辑，也可将其视为一个模块（module）。add_udf.py 中的代码例如：

``` 1. # function

  1. def add(a, b):
  2. return a + b ```

setup.py 文件用来定义库的元数据和配置信息等，代码例如：

``` 1. # setup.py

  1. from setuptools import setup

  2. setup(

  3. name="udf",
  4. version="1.0.0",

  5. 包含函数体的 python 文件名去掉拓展名.py 后即为模块名

  6. py_modules=["add_udf"]
  7. ) ```
  8. 构建 whl 包

工程文件编写就位后，在 func_add 目录内执行如下命令构建 wheel 包：

1. python setup.py bdist_wheel

打包完成后，会在 func_add/dist 目录下生成 udf-1.0.0-py3-none-any.whl 文件。

创建以及调用 UDF 函数

  1. 创建 UDF 函数

将 whl 包拷贝至规划中的函数存放目录，例如路径为：/opt/udf/udf-1.0.0-py3-none-any.whl，在创建语句中使用该 whl 包创建 UDF 函数，创建语句示例如下：

1. create or replace function py_add_3(a int, b int) 2. returns int 3. language python 4. import 5. '/opt/udf/udf-1.0.0-py3-none-any.whl' -- wheel 包所在目录 6. handler 'add_udf.add'; -- 指定调用 whl 包中 add_udf 模块的 add 函数 2. 调用 UDF 函数

函数创建完成后，可使用函数名 + 匹配类型的参数列表来调用 UDF 函数，例如：

1. select py_add_3(12345,23456); 2. +-------------------------+ 3. | py_add(12345, 23456) | 4. +-------------------------+ 5. | 35801 | 6. +-------------------------+ 7. 1 row in set (0.02 sec)

函数 Vector

在部分场景下，我们会希望 python 函数一次性接收多个元组来提高运行效率。如在模型推理时，我们通常是以一个 batch 为单位进行，这里的 batch 即为元组的 vector，MatrixOne 提供函数的 vector 选项来处理这种情况。我们仍以 py_add 函数为例，来展示 vector 选项的用法。

  1. 在 udf_test 库下创建一张名为 grades 的数据表：

1. create table grades(chinese int,math int); 2. 插入几条测试数据：

1. insert into grades values(97,100),(85,89),(79,99); 3. 查看下表里的数据：

1. select * from grades; 2. +---------+------+ 3. | chinese | math | 4. +---------+------+ 5. | 97 | 100 | 6. | 85 | 89 | 7. | 79 | 99 | 8. +---------+------+ 4. 执行如下命令创建 UDF 函数 我们使用 add.vector = True 来标记 python 函数 add 接收两个 int 列表（vector）而不是 int 值：

1. create or replace function py_add_4(a int, b int) returns int language python as 2. $$ 3. def add(a, b): # a, b are list 4. return [a[i] + b[i] for i in range(len(a))] 5. add.vector = True 6. $$ 7. handler 'add'; 5. 调用 UDF 函数

同样通过函数名和参数列表来调用函数，该处的参数列表我们可以使用 grades 表中的两个整数字段列，例如：

1. select py_add_4(chinese,math) as Total from grades; 2. +-------+ 3. | Total | 4. +-------+ 5. | 197 | 6. | 174 | 7. | 178 | 8. +-------+

使用 vector 选项，我们就可以自由的选择函数的处理形式，例如一次一元组，或者一次多元组。

机器学习案例：信用卡欺诈检测

本节以“信用卡欺诈检测”为例，讲述了 python UDF 在机器学习推理流水线中的应用。（相关代码详见 github-demo，包含以下即将下载和编写的文件）

环境配置

在本节中，我们需要确保本地 python 环境已安装了 numpy 和 scikit-learn 以及 joblib。

1. pip install numpy
2. pip install scikit-learn
3. pip install joblib

背景及数据

信用卡公司需要识别欺诈交易，以防止客户的信用卡被他人恶意使用。（详见 kaggle Credit Card Fraud Detection）

数据集包含了 2013 年 9 月欧洲持卡人使用信用卡进行的交易记录。数据格式如下：

列名 类型 含义
Time int 此交易与数据集中的第一个交易之间经过的秒数
V1～V28 double 使用 PCA 提取的特征（以保护用户身份和敏感特征）
Amount double 交易金额
Class int 1: 欺诈交易，0: 非欺诈交易

我们把数据按照 8: 1: 1 的比例划分为训练集、验证集和测试集。由于训练过程不是本文的重点，不在此处进行过多的介绍。

我们把测试集当作生产过程中新出现的数据存储到 MO 中，可以点击此处获得 ddl.sql 文件，使用以下语句导入数据表以及部分测试数据：

1. source /your_download_path/ddl.sql

准备 python-whl 包

  1. 编写 detection.py:

```

# coding = utf-8

# -- coding:utf-8 --

import decimal import os from typing import List

import joblib import numpy as np

modelpath = os.path.join(os.path.dirname(os.path.abspath(_file**)), ‘model_with_scaler’)

1. def detect(featuresList: List[List[int]], amountList: List[decimal.Decimal]) -> List[bool]:
2. model_with_scaler = joblib.load(model_path)

4. columns_features = np.array(featuresList)
5. column_amount = np.array(amountList, dtype='float').reshape(-1, 1)
6. column_amount = model_with_scaler['amount_scaler'].transform(column_amount)
7. data = np.concatenate((columns_features, column_amount), axis=1)
8. predictions = model_with_scaler['model'].predict(data)
9. return [pred == 1 for pred in predictions.tolist()]

12. detect.vector = True
13. ```
  1. 编写 __init__.py:

1. # coding = utf-8 2. # -*- coding:utf-8 -*- 3. from .detection import detect 2. 点击下载已经训练好的模型 model_with_scaler 3. 编写 setup.py:

``` 1. # coding = utf-8 2. # -- coding:utf-8 -- 3. from setuptools import setup, find_packages

  1. setup(
  2. name="detect",
  3. version="1.0.0",
  4. packages=find_packages(),
  5. package_data={
  6. 'credit': ['model_with_scaler']
  7. },
  8. ) ```
  9. 将上述文件组织成下方的结构：

1. |-- demo/ 2. |-- credit/ 3. |-- __init__.py 4. |-- detection.py # 推理函数 5. |-- model_with_scaler # 模型 6. |-- setup.py 5. 进入目录 demo，使用以下命令构建 wheel 包 detect-1.0.0-py3-none-any.whl：

1. python setup.py bdist_wheel

使用 udf 进行欺诈检测

  1. 创建 udf 函数：

1. create or replace function py_detect(features json, amount decimal) 2. returns bool 3. language python 4. import 'your_code_path/detect-1.0.0-py3-none-any.whl' -- 替换为 wheel 包所在目录 5. handler 'credit.detect'; -- credit module 下的 detect 函数 2. 调用 udf 函数进行欺诈检测：

1. select id, py_detect(features, amount) as is_fraud from credit_card_transaction limit 10;

输出：

1. +---------+----------+ 2. | id | is_fraud | 3. +---------+----------+ 4. | 1 | false | 5. | 2 | false | 6. | 3 | true | 7. | 4 | false | 8. | 5 | false | 9. | 6 | false | 10. | 7 | false | 11. | 8 | true | 12. | 9 | false | 13. | 10 | false | 14. +---------+----------+

至此，我们已经在 MO 中完成了信用卡欺诈检测任务的推理。

通过该案例可以看出，我们可以方便地使用 python UDF 来处理 SQL 解决不了的任务。Python UDF 既扩展了 SQL 的语义，又避免了我们手动编写数据移动和转换的程序，极大地提高了开发效率。

参考文档

有关 MatrixOne 中 UDF 的基础用法，参见 UDF 基础用法。

有关 MatrixOne 对 UDF 创建的具体参数，参见创建 UDF。

有关 MatrixOne 对 UDF 删除的具体参数，参见删除 UDF。