標籤: datascience

優化 R Docker image 的建立與部署：套件安裝速度提升與節省空間技巧

Jumping發表留言
  1. 前言
  2. 建立 Docker image 時遇到的瓶頸
  3. Step 1：優化安裝套件的速度
    1. 改用 Precompiled 版本的套件 -> 安裝速度提升 8.6 倍
  4. Step 2：優化 Docker image size
    1. 用 r-ver 取代 tidyverse -> 節省 image size 約 2.8 倍
    2. 使用 Multi-stage Builds：兩階段相同 image -> 沒有太大改變
    3. 使用 Multi-stage builds：第二階段改 ubuntu -> 成功縮減 2 倍 image size
  5. 總結
  6. 後記

前言

近期遇到有部分 R Script 執行時佔用太多 VM 記憶體，所以打算把 R 打包成一個 Docker image，讓他可以在 GCP Cloud Run 上面跑，解放 VM 的資源。

首先我建立了一個基於 tidyverse 的 Dockerfile，安裝常用的兩個套件，並讓這個 image 可以由外部提供一個 JOB_NAME 參數，來動態指定要執行的檔案。
（選擇 tidyverse 的原因是使用 r-base 時會遇到無法安裝 bigrquery 的問題）

FROM rocker/tidyverse:4.4.1

RUN R -e "install.packages(c('dplyr', 'bigrquery'), repos='<http://cran.rstudio.com/>')"

COPY r_jobs /r_jobs

CMD ["sh", "-c", "Rscript /r_jobs/$JOB_NAME"]

建立 Docker image 時遇到的瓶頸

雖然這個 image 是可以正常執行，但 docker build 後發現兩個大問題：

  • Docker image 太胖！
    • image 竟然有 2.5 GB 這麼大，這將會造成部署與存放上的問題。
  • R 套件安裝太慢！
    • 光是安裝兩個套件的步驟，就要花 5 分鐘，安裝 12 個套件需要 20 分鐘（如下圖 1,203 秒），時間成本太高。

基於這兩個問題我開始研究 Docker image 的優化方法。

閱讀更多»

Python 與 R 效能大對決！實測比較 Python 和 R 處理數據時的記憶體使用＆執行速度

Jumping發表留言
  1. 前言
  2. 實測環境＆版本
  3. 實測程式碼
    1. Python
    2. R
    3. 檢查 Test Data 是否相同
  4. 實測數據
  5. 實測結論
  6. 總結

前言

近期因為遇到在 GCP Compute Engine 跑 R 程式碼發生 OOM (Out of Memory）的記憶體問題，所以研究了很多關於 Python 和 R 之間的比較，看到不少文章都說 R 在效能、記憶體分配和垃圾處理（Garbage collect）上都是輸給 Python 的，也看到很多人不推薦使用 R 做大型數據處理。

秉持著研究精神，還是自己測一次最有感，所以這篇文章就是我自己實測的 Python VS. R 的記憶體 + 執行時間的大對決！

實測環境＆版本

  • Macbook Pro
    • 晶片: Apple M3
    • 記憶體: 16 GB
    • MacOS: Sonoma 14.2
  • R
    • IDE: 採用最主流的 R Studio 來執行
    • Version:
      • R version: 4.3.3
      • pryr: 0.1.6
  • Python
    • IDE: 採用市占率最高的 VS Code 來執行
    • Version:
      • Python version 3.11.9
      • psutil: 6.0.0
      • numpy: 1.26.4

實測程式碼

這次直接由 ChatGPT-4o 幫我生成兩種不同程式語言的程式碼，我只有附上自己的註解，以及手動更改建立的數據大小而已（下面圖片中的程式碼範例皆為產出一個 70000 x 70000 的表）

閱讀更多»

資料傳輸效能提升 70%！實測 GCP 的 gcloud storage 與 gsutil 指令的差異

Jumping發表留言
  1. 前言
  2. 什麼是 gsutil 指令？
  3. 什麼是 gcloud 指令？
  4. 官方建議使用 gcloud storage 取代 gsutil
  5. 自行實測結果
    1. 實測環境
    2. 實測結果表
    3. 實測 1：複製一個 249.1 MiB 小型檔案
      1. gsutil cp: 5.4 sec
      2. gcloud storage cp: 3.2 sec ( Speed Up 40% )
    4. 實測 2：複製一個 1.0 GiB 大型檔案
      1. gsutil cp: 24 sec
      2. gcloud storage cp: 6.3 sec ( Speed Up 74% )
  6. 總結
  7. 補充資料

前言

在資料工程師的工作中，常會使用雲端 Google Cloud Platform (GCP) 的 Google Cloud Storage (GCS) 作為 Data Lake 儲存一些非結構化資料，而操作 GCS 的指令我都是用 gsutil 來進行，但近期發現有另一個指令是 gcloud storage ，所以這篇文章記錄我針對這兩種指令實測後發現的差異，以及官方文件的建議。

什麼是 gsutil 指令？

  • gsutil 是一個 Python application，主要用來讓使用者可以透過 Command Line 操作 Cloud Storage，操作包含：
    • Creating and deleting buckets.
    • Uploading, downloading, and deleting objects.
    • Listing buckets and objects.
    • Moving, copying, and renaming objects.
    • Editing object and bucket ACLs.

什麼是 gcloud 指令？

  • gcloud 是 GCP 主要的 CLI 工具，用途更廣不限於 GCS，操作包含：
    • Manages authentication, local configuration and developer workflow.
    • Interactions with the Google Cloud APIs.
閱讀更多»

【轉職】非本科從零開始轉職工程師的心路歷程（包含給轉職者的建議）

Jumping發表留言

先自我介紹一下，作者 Jumping 我本人 2019 年以前從來沒碰過程式，透過自學資料科學相關課程，目前是有三年資料領域工作經驗的資料工程師 Data engineer，這篇文章記錄了我從自學到轉職過程的心路歷程，以及給同樣想要轉職的朋友的建議。

簡介

先聊聊我的背景

或許我跟大多數人一樣，在上大學前也完全不知道自己要念什麼科系，當時只想說「總之就是三類組，然後分數到哪就去哪」， 後來大學念了食品科學系，雖然後來也是有找到一點熱情，但畢業後仍然不知道自己要什麼，看到身邊不少朋友選擇繼續念碩士，我也憑著那一點熱情考了食品科學相關的研究所，所以在我的六年學生時期是完全沒有碰過程式，大部分都是生物和化學相關的課程和實驗。

當完兵出了社會，第一份工作理所當然的選擇進了食品業做研發，當時還常常被面試官問「為什麼你要做食品研發？」，老實講，我還真的回答不出來。

這種茫然困惑、不知道自己想要做什麼的狀態，一直持續到我出社會幾個月後，接觸程式語言時才開始產生變化。

接觸程式的過程

拿到工作的薪水後，我開始想該如何做投資上的運用，這時候我開始研究公司的財報、技術分析線圖等散戶會做的一些事，在查資料時發現很多人會使用 Python 自己寫爬蟲和畫線圖，於是我開始一點一點地學習怎麼樣寫 Python 語法，後來遇到有些股票網站資訊和圖表是需要付費訂閱才能觀看時，也試著自己按照那些付費圖表的邏輯去編寫程式，並嘗試視覺化出我心中所想的圖表。

（至於我自學的方式和課程，後續的文章會再做說明）

為何轉職？以及轉職時遇到的困難？

在這樣反覆學習和實作的過程中，漸漸發現自己對於寫程式收集及處理資料很感興趣，也很享受把想法和創意透過程式作品實踐出來的過程和成就感，於是就開始思考自己是否有機會轉職做一位工程師，而當時會想轉職很大的原因是：

  • 覺得大數據是未來趨勢，所有公司將來都會需要數據來輔助決策，因此打算往數據方面的工程師發展
  • 當然薪資待遇也很重要，我待的食品業算是傳產，薪資天花板比較低，如果轉職的話比較有發展空間

但同時也要思考許多實際上的困難

  • 因為領域跨很多，所以要補的技術和知識實在太多
  • 自己當時因為研究所 + 當兵 + 工作兩年已經滿 28 歲，要怎麼跟更年輕的肝競爭，還來得及轉嗎？
  • 要離職專心自學嗎？我自己經濟狀況是否允許？

調適心態、面對挑戰

面對這些困難，我自己仍然做了轉職的決定，是因為有了心態上的調適，像是技術不足的部分我可以靠上課學習來補足，也選擇了在繼續工作的狀態下持續自學，讓我不用擔心經濟上的問題。

另外一個我覺得很重要的心態突破，就是評估了利弊之後，好好想一下「對自己來說，最糟的狀況是什麼？」，我自己的答案是「大不了我就是轉職失敗，然後回食品業工作」，所以其實現在轉職並不會有多糟的後果，也是因為這樣想，我才毅然決然繼續往轉職資料工作者的路前進。

你也想要轉職嗎？

當我過了兩三年，回顧我的轉職過程時，我覺得有幾點人生體悟，可以給想要轉職的朋友一些參考：

– 確立目標

凡事都需要一個清楚明確的目標，才能讓我們走在正確的路上！

– 動手實作

不論是在什麼領域，學習都不能只有輸入，最重要的還是輸出，學了之後一定要自己動手做，像是當時我自己的 Side Project 就幫助我找到工作。

– 放下「沉沒成本」

其實不會有所謂「真正準備好」的時候，何時開始都不嫌晚，最適合開始進行的時機就是「現在」，不要因為「沉沒成本」而委屈求全。我到現在還是很感謝當時的我所做的選擇，因為沒有當初的「捨」，就沒有現在的「得」！

– 列出恐懼與困難

把自己目前想得到的恐懼和困難都寫下來，如果自己還在為了轉職而卻步，想想這些困難是「知識技術」上的挑戰？還是其實是「勇氣」的挑戰呢？列出了所有的恐懼並面對它們，說不定會發現其實自己離目標沒有想像中的遠喔！

如果你正在為了要不要轉職而猶豫不決，希望我的這些經驗能幫助到你！ 也歡迎把文章分享給正在轉職的朋友們！

[SQL] 為何應該要使用 “IS NULL" 而不是 “= NULL"？

Jumping發表留言

當我們想要找出某些欄位是 NULL 的資料…

做為資料工作者，在處理資料的時候經常會遇到所謂的空值「NULL」，也常看到這樣的值被存在資料庫的欄位中，當我們使用 SQL 想要找出某些欄位中是空值的資料，就會使用像下方這樣的 WHERE 去做篩選，但這樣其實無法得到我們想要的結果。

SELECT 
    column_1,
    column_2
FROM `my_table`
WHERE column_1 = NULL
閱讀更多»