PyODPS是MaxCompute的Python版本的SDK，提供简单方便的Python编程接口。PyODPS支持类似Pandas的快速、灵活和富有表现力的数据结构。您可以通过PyODPS提供的DataFrame API使用Pandas的数据结果处理功能。本文用于帮助您快速开始使用PyODPS，并且能够用于实际项目。

前提条件

背景信息

MaxCompute大部分开发都可以通过SQL语句实现，但对于复杂的业务场景以及自定义函数（UDF）都需要使用Python，例如：
  • 接口对接

    MaxCompute表的每条数据，都需要通过身份证号码和外部HTTP的验证接口进行连通。

  • 异步调用

    对于上千个处理逻辑相似的任务，如果对不同任务都单独创建一个节点，不利于管理，并且在同一时间会占用过多资源。利用PyODPS可以异步生成SQL执行任务队列，通过队列实现任务数的并发，方便统一管理所有节点。

  • UDF开发

    当MaxCompute内置函数无法满足需求时，需要快速开发自定义函数（UDF）。例如，对DECIMAL类型进行千分位数字格式化展示。

  • SQL性能提升

    您需要计算库存事务是否遵循先进先出的规则。由于只有一张表，每条数据都需要跟历史数据进行比对，而通常库存事务表体量巨大，时间复杂度是O(N²)，往往无法运行并处理历史至今的结果。用Python结合Cache循环每条记录，只需遍历一次即可，时间复杂度是O(N)，可极大提升效率。

  • 其他SQL很难解决的场景

    金额分摊模型。例如，10元由3个人均分，把尾差摊到其中1人身上。

更多PyODPS应用场景请参见：

操作步骤

  1. 新建PyODPS节点。
    为方便您快速开始，本文中使用DataWorks PyODPS节点进行开发，详情请参见创建PyODPS 2节点。
    说明
    • PyODPS节点底层的Python版本为2.7。
    • PyODPS节点获取本地处理的数据量不能超过50 MB，节点运行时占用的内存不能超过1 GB，否则节点任务会被系统中止。因此请避免在PyODPS任务中写入数据量较大的Python处理代码。
    • 在DataWorks上编写代码并进行调试效率较低，为提升运行效率，建议本地安装IDEA进行代码开发。
    1. 新建业务流程。
      进入数据开发页面，右键单击业务流程，选择新建业务流程。
    2. 新建PyODPS节点。
      右键单击新建的业务流程，选择新建 > MaxCompute > PyODPS 2，输入节点名称，单击提交。
  2. 编辑PyODPS节点。
    1. 编写程序代码。
      在PyODPS节点的编辑框中输入测试代码。以下是一个完整的使用PyODPS接口执行表操作的示例，更多关于表操作以及SQL操作的方法请参见表和SQL。 
      from odps import ODPS
import sys

reload (sys)
#修改系统默认编码。数据中存在中文字符时需要执行此操作。
sys.setdefaultencoding('utf8')

#以直接指定字段名以及字段类型的方式创建非分区表my_new_table。
table = o.create_table('my_new_table', 'num bigint, id string', if_not_exists=True)

#向非分区表my_new_table中插入数据。
records = [[111, 'aaa'],
          [222, 'bbb'],
          [333, 'ccc'],
          [444, '中文']]
o.write_table(table, records)

#读取非分区表my_new_table中的数据。
for record in o.read_table(table):
    print record[0],record[1]

#以运行SQL的方式读取表中的数据。
result = o.execute_sql('select * from my_new_table;',hints={'odps.sql.allow.fullscan': 'true'})

#读取SQL执行结果。
with result.open_reader() as reader:    
    for record in reader:            
        print record[0],record[1]

#删除表以清除资源。
table.drop()
    2. 运行代码。
      完成编辑后，单击运行图标。运行结束后，您可以在下方的运行日志中看到运行结果。输出如下日志代表执行成功。运行日志