使用 Plotly 的 Dash 、 RAPIDS 和 Data shader ，用戶可以構(gòu)建 viz 儀表板，既可以呈現(xiàn) 3 億多行的數(shù)據(jù)集，又可以保持高度的交互性，而無(wú)需預(yù)先計(jì)算聚合。

使用 RAPIDS cuDF 和 Plotly Dash 在 GPU 上進(jìn)行實(shí)時(shí)交互式可視化分析

Dash 是來(lái)自 Plotly 的一個(gè)開(kāi)源框架，用于使用 Python 構(gòu)建基于 web 應(yīng)用程序的交互式儀表板。此外，開(kāi)放源碼軟件（ OSS ）庫(kù)的 RAPIDS 套件提供了完全在 GPU 上執(zhí)行端到端數(shù)據(jù)科學(xué)和分析管道的自由。將這兩個(gè)項(xiàng)目結(jié)合起來(lái)，即使在單個(gè) GPU 上，也可以實(shí)現(xiàn)對(duì)數(shù)千兆字節(jié)數(shù)據(jù)集的實(shí)時(shí)、交互式可視化分析。

此人口普查可視化使用 dashapi 生成圖表及其回調(diào)函數(shù)。相反， RAPIDS cuDF 被用來(lái)加速這些回調(diào)，以實(shí)現(xiàn)實(shí)時(shí)聚合和查詢操作。

使用 2010 年人口普查數(shù)據(jù)的修改版本，結(jié)合 2006-2010 年美國(guó)社區(qū)調(diào)查數(shù)據(jù)（獲得了 fantastic IPUMS.org 的許可），我們將 美國(guó)的每一個(gè)人 映射到位于相當(dāng)于一個(gè)城市街區(qū)的單個(gè)點(diǎn)（隨機(jī)）。因此，每個(gè)人都有與之相關(guān)聯(lián)的獨(dú)特的人口統(tǒng)計(jì)屬性，這些屬性支持以前不可能的細(xì)粒度過(guò)濾和數(shù)據(jù)發(fā)現(xiàn)。我們的 GitHub 上公開(kāi)了代碼、安裝細(xì)節(jié)和數(shù)據(jù)警告。

第 1 部分：可視化的數(shù)據(jù)準(zhǔn)備

雖然不是最新的數(shù)據(jù)集，但我們選擇使用 2010 年人口普查，因?yàn)樗哂懈叩乩砜臻g分辨率、大尺寸和可用性。經(jīng)過(guò)一些修改， 3.08 億行× 7 列（ int8 型） 的最終數(shù)據(jù)集足夠大，足以說(shuō)明 GPU 加速的好處。

Census 2010 SF1 +形狀文件數(shù)據(jù)

我們決定把重點(diǎn)放在人口普查數(shù)據(jù)集上；最明顯的選擇是搜索 census.gov 網(wǎng)站，其中包括許多表格文件供下載。最適用的概要文件 1 有一個(gè)人口計(jì)數(shù)部分，其屬性包括性別、年齡、種族等。但是，該數(shù)據(jù)集是按 普查區(qū)水平 列表的，而不是按單個(gè)級(jí)別（出于各種隱私原因）。結(jié)果是 只有 211267 排， 每個(gè)街區(qū)一個(gè)，包括性別、年齡、種族。

我們選擇使用人口普查塊邊界形狀文件來(lái)擴(kuò)展行計(jì)數(shù)，以使所有塊的人口計(jì)數(shù)相等。然后，在邊界內(nèi)隨機(jī)分配一個(gè) lat long ，并為每個(gè)人創(chuàng)建一個(gè)唯一的行。為每個(gè)狀態(tài)執(zhí)行此操作的腳本可以在 Plotly-dash-rapids-census-demo 中找到。切換到由 IPUMS NHGIS 站點(diǎn)上的 數(shù)據(jù)查找工具 提供的更為用戶友好的數(shù)據(jù)集文件（ SF1 和 tiger 邊界文件）可以加快這個(gè)過(guò)程。

在整個(gè)數(shù)據(jù)挖掘過(guò)程中，除了重復(fù)檢查每個(gè)匹配塊的聚合外，我們還使用我們自己的 cuxfilter 進(jìn)行快速原型制作和視覺(jué)精度檢查。在本例中，為 3.08 億行創(chuàng)建一個(gè)交互式地理散點(diǎn)圖非常簡(jiǎn)單：

import cuxfilter

import cudf

df = cudf.read_parquet（‘。/data/census_data.parquet/*’）

#create cuxfilter dataframe

cux_df = cuxfilter.DataFrame.from_dataframe（df）

chart0 = cuxfilter.charts.scatter_geo（x=‘x’， y=‘y’）

chart1 = cuxfilter.charts.bar（‘a(chǎn)ge’）

chart2 = cuxfilter.charts.bar（‘sex’）

d = cux_df.dashboard（［chart0， chart1， chart2］， layout=cuxfilter.layouts.feature_and_double_base

）

d.show（）

圖 1 ： Cuxfilter census dashboard ver 。 1

ACS 2006 – 2010 數(shù)據(jù)

出于好奇，我們是否可以結(jié)合其他有趣的屬性進(jìn)行交叉篩選，例如收入、教育程度和工人階級(jí)，我們添加了 5 年的 2006-2010 年美國(guó)社區(qū)調(diào)查（ ACS ）數(shù)據(jù)集。該數(shù)據(jù)集在普查區(qū)塊組上聚合（比普查區(qū)塊大一級(jí)）。因此，我們決定在塊組上進(jìn)行聚合，并將其任意分布到每個(gè)個(gè)體上，同時(shí)仍保持塊組級(jí)別的聚合值。修改后的數(shù)據(jù)集包括：

按年齡劃分的性別。

按教育程度分列的 25 歲及以上人口的性別。

16 歲及以上人口過(guò)去 12 個(gè)月收入（按 2010 年通貨膨脹調(diào)整后的美元計(jì)算）的性別。

按工人階級(jí)分列的 16 歲及以上平民就業(yè)人口的性別。

公共列是 Sex ，用于合并所有數(shù)據(jù)集。然而，雖然這種方法提供了其他有趣的屬性來(lái)進(jìn)行過(guò)濾，但結(jié)果有幾個(gè)注意事項(xiàng)：

在地理位置或單個(gè)列上進(jìn)行交叉過(guò)濾將為所有其他列生成準(zhǔn)確的計(jì)數(shù)。

同時(shí)交叉過(guò)濾多個(gè)非地理列不一定會(huì)產(chǎn)生真實(shí)的計(jì)數(shù)。

與個(gè)人相關(guān)的屬性只是統(tǒng)計(jì)性的，不能反映真實(shí)的人。但是，當(dāng)匯總到人口普查區(qū)塊組級(jí)別或更高級(jí)別時(shí)，它們是準(zhǔn)確的。

執(zhí)行該過(guò)程的筆記本可以在 plotly-dash-rapids-census-demo 上找到。最終的數(shù)據(jù)集如下所示：

圖 2 ：最終普查數(shù)據(jù)集的 Dataframe 視圖。

下面是一個(gè)用于驗(yàn)證數(shù)據(jù)集值的快速 cuxfilter 儀表板：

import cuxfilter

import cudf

df = cudf.read_parquet（‘。/data/census_data.parquet/*’）

#create cuxfilter dataframe

cux_df = cuxfilter.DataFrame.from_dataframe（df）

#declare charts

chart0 = cuxfilter.charts.scatter_geo（x=‘x’， y=‘y’）

chart1 = cuxfilter.charts.bar（‘a(chǎn)ge’）

chart2 = cuxfilter.charts.bar（‘sex’）

chart3 = cuxfilter.charts.bar（‘cow’）

chart4 = cuxfilter.charts.bar（‘income’）

chart5 = cuxfilter.charts.bar（‘education’）

d = cux_df.dashboard（

［chart0， chart1， chart2， chart3， chart4， chart5］，

layout=cuxfilter.layouts.feature_and_five_edge，

）

d.show（）

圖 3 ： Cuxfilter census dashboard ver 。 2 。

資源鏈接：

最終修改數(shù)據(jù)集 （~ 2 。 9 GB 焦油拼花文件）

所有數(shù)據(jù)準(zhǔn)備代碼 （ GitHub ）

第 2 部分：使用 Plotly Dash 構(gòu)建交互式儀表板

Dash 支持在儀表板中添加單獨(dú)的 Plotly chart 對(duì)象，以及使用 Python 為每個(gè)對(duì)象圖形、選擇和布局單獨(dú)回調(diào)。例如，儀表板中基于上述數(shù)據(jù)集的圖表如下：

Scattermapbox ：個(gè)體的種群分布

此圖表由兩層組成：

Scattermapbox 層。

Datashader 在上面生成了一個(gè)輸出圖像。

‘data’： ［{

‘type’： ‘scattermapbox’，

‘lat’： lat， ‘lon’： lon，

}］，

‘layout’： {

‘mapbox’： {

…

‘layers‘： ［{

“sourcetype”： “image”，

“source”： datashader_output_img，

}］，

}

圖 4 ：美國(guó)人口的破折號(hào)數(shù)據(jù)陰影+地圖框聚集人口過(guò)剩計(jì)數(shù)。

圖表更新回調(diào)在以下位置觸發(fā)：

“重新布局?jǐn)?shù)據(jù)”（向內(nèi)滾動(dòng)、向外滾動(dòng)、鼠標(biāo)平移）根據(jù)縮放級(jí)別重新渲染數(shù)據(jù)陰影圖像，以便分辨率保持不變。

下拉選擇“顏色依據(jù)”。

教育、收入、工人階級(jí)和年齡圖表的方框選擇。

地圖上的方框選擇。

條形圖：教育程度、收入、工人階級(jí)、年齡

‘data’： ［

{‘type’： bar， ‘x’： Education， ‘y’： Count}，

{‘type’： bar， ‘x’： Education， ‘y’： Count}，

{‘type’： bar， ‘x’： Education， ‘y’： Count}，

{‘type’： bar， ‘x’： Education， ‘y’： Count}

］

圖 5 ：教育、收入、工人階級(jí)和年齡直方圖。

圖表更新回調(diào)在以下位置觸發(fā)：

教育、收入、工人階級(jí)和年齡圖表的方框選擇。

地圖上的方框選擇。

下拉選擇“顏色依據(jù)”。

GPU 的適用范圍和幫助方式：

此儀表板中的每個(gè)圖表都從 GPU 加速到 cuDF ：使用 GPU – 加速模式，在 24GB NVIDIA Titan NVIDIA RTX 上進(jìn)行過(guò)濾或縮放交互通常需要 0.2 – 2 秒。在高端 CPU 和 64GB 系統(tǒng)內(nèi)存上運(yùn)行，相同的交互通常需要 10-80 秒。通常， cuDF GPU 模式比 pandas CPU 模式快 20 倍以上 根據(jù)圖表。 20 倍的不同之處在于將報(bào)表儀表板轉(zhuǎn)換為交互式可視分析應(yīng)用程序。

數(shù)據(jù)可視化是一個(gè)迭代設(shè)計(jì)過(guò)程

盡管像人口普查中這樣一個(gè)記錄良好且可用的數(shù)據(jù)集，但了解這些數(shù)據(jù)并制定一個(gè) viz 來(lái)有效地與之交互似乎總是比對(duì)數(shù)據(jù)集 MIG 的任何初步研究都要花費(fèi)更長(zhǎng)的時(shí)間。

與所有數(shù)據(jù)可視化一樣，最終結(jié)果通常取決于在可用的數(shù)據(jù)和圖表、您試圖傳達(dá)的故事以及您正在通過(guò)的媒介（和硬件）之間找到適當(dāng)?shù)钠胶狻＠纾覀儗?duì)列格式進(jìn)行了多次迭代，以確保 GPU 的使用可靠地保持在 24GB 單個(gè) GPU 限制之下，同時(shí)仍然允許多個(gè)圖表之間的平滑交互。

處理數(shù)據(jù)是復(fù)雜的，而處理大型數(shù)據(jù)集則更為復(fù)雜，但通過(guò)將 Plotly Dash 與 RAPIDS 相結(jié)合，我們可以提高分析師和數(shù)據(jù)科學(xué)家的能力。這些庫(kù)允許用戶在熟悉的環(huán)境中工作，并生成更大、更快、更具交互性的可視化應(yīng)用程序，為開(kāi)箱即用的生產(chǎn)做好準(zhǔn)備—將傳統(tǒng)可視化分析的邊界推向高性能計(jì)算領(lǐng)域。

關(guān)于作者

Ajay Thorve 是 NVIDIA 的軟件工程師， RAPIDS 組織的可視化團(tuán)隊(duì)的一部分。 Ajay 的背景是全棧開(kāi)發(fā)和數(shù)據(jù)科學(xué)，主要興趣包括 JavaScript / TypeScript 和 Python 。目前， Ajay 在 RAPIDS viz 團(tuán)隊(duì)的工作主要集中在為 cuXfilter 和 node- RAPIDS 項(xiàng)目做出貢獻(xiàn)。

審核編輯：郭婷