本文为您介绍Python SDK常见问题。

PyODPS安装时提示Warning: XXX not installed,如何处理?

报错原因为组件缺失,请参考报错信息中提示的“XXX”信息明确缺失的组件名称,使用pip命令安装此组件。

PyODPS安装时提示Project Not Found,如何处理?

报错原因为:
  • Endpoint配置错误。Endpoint的配置请参见配置Endpoint
  • MaxCompute入口对象参数位置填写错误。请检查此项确保其填写正确。

PyODPS安装时报错Syntax Error,如何处理?

Python版本过低造成的报错。不支持Python2.5及以下版本,建议使用PyODPS主流支持的版本,例如Python2.7.6+、Python3.3+以及Python2.6。

Mac上安装PyODPS时报错Permission Denied,如何处理?

使用sudo pip install pyodps命令安装。

Mac上sudo安装PyODPS报错Operation Not Permitted,如何处理?

此报错由于系统完整性保护导致。 重启机器,并在重启中按 +R键,此后在终端中运行如下命令可以解决此问题。
csrutil disable
reboot       
更多信息请参见Operation Not Permitted when on root - El Capitan (rootless disabled)

PyODPS安装后执行import odps,报错No Module Named ODPS,如何处理?

此报错说明无法加载ODPS Package。无法加载的原因有如下几种:
  • 安装了多个Python版本。
    Search Path(通常是当前目录)中包含odps.py或者init.py文件且名为odps的文件夹。解决方法如下:
    • 如果是文件夹重名,请修改文件夹名称。
    • 如果是曾经安装过一个名为odps的Python包,请使用pip uninstall odps进行删除。
  • 同时安装了Python2和Python3版本。
  • 同时安装了CPython、Anaconda和Miniconda,而当前使用的Python下并未安装PyODPS。

PyODPS安装后执行from odps import *,报错Cannot Import Name ODPS怎么处理?

请检查当前工作路径下是否存在名为odps.py的文件。若存在,请改名后再执行导入操作。

PyODPS安装后执行import odps,报错Cannot Import Module odps怎么处理?

此报错通常是由于PyODPS遇到了依赖问题。请联系PyODPS技术支持钉钉群(11701793)。

PyODPS使用时报错sourceIP is not in the white list怎么处理?

该项目空间存在白名单保护,请咨询项目Owner。

Jupyter前端UI报错,怎么处理?

  • 卸载并重新安装Jupyter、Ipywidgets以及Widgetsnbextension。
  • 使用如下命令执行Bash操作。
    jupyter nbextension enable pyodps/main      

在Shell或Python脚本中,如何执行MaxCompute命令?

MaxCompute命令支持-f参数,在脚本或其它程序中直接以odps -f <文件路径>的方式读取MaxCompute命令文件。

也可以使用-e参数直接运行语句,使用-s参数运行脚本。

使用from odps import options options.sql.settings设置MaxCompute运行环境不成功是什么原因?

  • 问题现象:使用PyODPS运行SQL,在申请MaxCompute实例前,通过如下代码设置MaxCompute运行环境。
    from odps import options
    options.sql.settings = {'odps.sql.mapper.split.size': 32}     

    运行任务后只启动了6个Mapper,set的设置并没有成功。 在客户端执行set odps.stage.mapper.split.size=32,一分钟运行完毕。

  • 解决方法:客户端和PyODPS里设置的参数不一致。客户端的参数是odps.stage.mapper.split.size,而PyODPS里的参数是 odps.sql.mapper.split.size

PyODPS节点是否支持Matplotlib等画图库?

画图库需要GPU资源,当前DataWorks PyODPS节点不支持。

MaxCompute对Python是否支持?

目前MaxCompute已经提供了Python版本的SDK支持。因为Python沙箱策略尚未成熟,出于安全因素考虑,暂不提供基于Python的UDF、MapReduce和Graph的SDK支持。

关于更多Python的帮助信息,请参见 开源社区

DataFrame如何获得Count实际数字?

  1. 在MaxCompute客户端上执行如下命令创建MaxCompute表来初始化DataFrame。
    iris = DataFrame(o.get_table('pyodps_iris'))        
  2. 在DataFrame上执行Count获取DataFrame的总行数。
    iris.count()      
  3. 由于DataFrame上的操作并不会立即执行,只有当用户显示调用Execute方法或者立即执行的方法时,才会真正执行。此时为了防止Count方法延迟执行,可输入如下命令。
    df.count().execute()    

获取DataFrame实际数量的相关方法请参见聚合操作。详细的PyODPS方法延迟执行操作请参见执行

调用Dataframe的head方法报错IndexError:listindexoutofrange是什么原因?

由于list[index]为空没有元素或list[index]超出范围。

如何避免嵌套循环执行慢的情况?

建议您通过Dict数据结构记录下循环的执行结果,最后在循环外统一导入到Dateframe对象中。如果您将Dateframe对象代码df=XXX放置在外层循环中,会导致每次循环计算都生成一个Dateframe对象,从而降低嵌套循环整体的执行速度。

什么情况下可以下载PyODPS数据到本地处理?

以下两种情况下可以下载Pyodps数据到本地:
  • 数据量很小的情况下进行本地数据处理。
  • 如果需要对单行数据应用一个Python函数,或者执行一行变多行的操作,这时使用PyODPS DataFrame就可以轻松完成,并且可以完全发挥MaxCompute的并行计算能力。
    例如有一份JSON串数据,需要把JSON串按Key-Value对展开成一行,代码如下所示。
    In [12]: df
                   json
    0  {"a": 1, "b": 2}
    1  {"c": 4, "b": 3}
    
    In [14]: from odps.df import output
    
    In [16]: @output(['k', 'v'], ['string', 'int'])
        ...: def h(row):
        ...:     import json
        ...:     for k, v in json.loads(row.json).items():
        ...:         yield k, v
        ...:   
    
    In [21]: df.apply(h, axis=1)
       k  v
    0  a  1
    1  b  2
    2  c  4
    3  b  3                          

如何使用Pandas计算后端进行本地Debug?

您可以利用以下两种方式来进行本地Debug。这两种方式除了初始化方法不同,后续代码完全一致:
  • 通过Pandas DataFrame创建的PyODPS DataFrame可以使用Pandas执行本地计算。
  • 使用MaxCompute表创建的DataFrame可以在MaxCompute上执行。
示例代码如下。
df = o.get_table('movielens_ratings').to_df()
DEBUG = True
if DEBUG:
    df = df[:100].to_pandas(wrap=True)       

当所有后续代码都编写完成,本地的测试速度非常快。当测试结束后,您可以把Debug改为False,这样后续就能在MaxCompute上执行全量的计算。

推荐您使用MaxCompute Studio来执行本地PyODPS程序调试。

如何利用Python语言特性来实现丰富的功能?

  • 编写Python函数。
    计算两点之间的距离有多种计算方法,例如欧氏距离、曼哈顿距离等,您可以定义一系列函数,在计算时根据具体情况调用相应的函数即可。
    def euclidean_distance(from_x, from_y, to_x, to_y):
        return ((from_x - to_x) ** 2 + (from_y - to_y) ** 2).sqrt()
    
    def manhattan_distance(center_x, center_y, x, y):
       return (from_x - to_x).abs() + (from_y - to_y).abs()                      
    调用如下
    In [42]: df
         from_x    from_y      to_x      to_y
    0  0.393094  0.427736  0.463035  0.105007
    1  0.629571  0.364047  0.972390  0.081533
    2  0.460626  0.530383  0.443177  0.706774
    3  0.647776  0.192169  0.244621  0.447979
    4  0.846044  0.153819  0.873813  0.257627
    5  0.702269  0.363977  0.440960  0.639756
    6  0.596976  0.978124  0.669283  0.936233
    7  0.376831  0.461660  0.707208  0.216863
    8  0.632239  0.519418  0.881574  0.972641
    9  0.071466  0.294414  0.012949  0.368514
    
    In [43]: euclidean_distance(df.from_x, df.from_y, df.to_x, df.to_y).rename('distance')
       distance
    0  0.330221
    1  0.444229
    2  0.177253
    3  0.477465
    4  0.107458
    5  0.379916
    6  0.083565
    7  0.411187
    8  0.517280
    9  0.094420
    
    In [44]: manhattan_distance(df.from_x, df.from_y, df.to_x, df.to_y).rename('distance')
       distance
    0  0.392670
    1  0.625334
    2  0.193841
    3  0.658966
    4  0.131577
    5  0.537088
    6  0.114198
    7  0.575175
    8  0.702558
    9  0.132617                       
  • 利用Python语言的条件和循环语句。

    如果用户要计算的表保存在数据库,需要根据配置来对表的字段进行处理,然后对所有表进行UNION或者JOIN操作。这时如果用SQL实现是相当复杂的,但是用DataFrame处理则会非常简单。

    例如,您有30张表需要合成一张表,此时如果使用SQL,则需要对30张表执行Union ALL操作。如果使用PyODPS,如下代码就可以完成。
    table_names = ['table1', ..., 'tableN']
    dfs = [o.get_table(tn).to_df() for tn in table_names]
    reduce(lambda x, y: x.union(y), dfs) 
    
    ## reduce语句等价于如下代码。
    df = dfs[0]
    for other_df in dfs[1:]:
        df = df.union(other_df)       

为什么尽量使用内建算子,而不是自定义函数?

计算过程中使用自定义函数比使用内建算子速度慢很多,因此建议使用内建算子。

对于百万行的数据,当一行应用了自定义函数后,执行时间从7秒延长到了27秒。如果有更大的数据集、更复杂的操作,时间的差距可能会更大。

o.gettable('table_name').size中size字段的含义是什么?

SIZE字段表示表的物理存储大小。

如何制定Tunnel Endpoint?

通过options.tunnel.endpoint设置,详情请参见aliyun-odps-python-sdk

PyODPS如何使用包含cPython的第三方包?

建议打包成WHEEL格式后使用,可参见如何制作可以在MaxCompute上使用的crcmod

PyODPS打印日志中,中文自动转化为编码显示,如何显示成原始中文?

您可以使用类似 print ("我叫 %s" % ('abc'))输入方式解决 。目前仅Python2涉及此类问题。

MaxCompute是否支持Python SQLAchemy访问?

不支持。

PyODPS中向表写入数据的两种方式open_writer()和write_table()有什么区别?

每次调用write_table(),MaxCompute都会在服务端生成一个文件。这一操作需要较大的时间开销,同时过多的文件会降低后续的查询效率,还可能造成服务端内存不足。因此,建议在使用write_table()方法时,一次性写入多组数据或者传入一个Generator对象。

open_writer()默认写入到Block中。

PyODPS中不支持Insert Overwrite的写入方式该如何处理?

您可以先使用TRUNCATE命令清空数据,然后使用普通WRITE方式写入数据。

PyODPS中的DataFrame最多可以处理多少数据,对表的大小有限制吗?

PyODPS对表的大小没有限制。本地Pandas创建Dataframe的大小受限于本地内存的大小。

为什么DataWorks PyODPS节点上查出的数据量要少于本地运行的结果?

Dataworks上默认未开启Instance Tunnel,即instance.open_reader默认使用Result接口,最多可以获取一万条记录。

开启Instance Tunnel后,您可以通过reader.count获取记录数。如果您需要迭代获取全部数据,则需要通过设置options.tunnel.limit_instance_tunnel = False关闭Limit限制实现。

如何处理写数据时的脏数据报错?

  • 详细报错信息如下。
    Invalid protobuf tag. Perhaps the datastream from server is crushed.
  • 解决方法:通常这种报错是由脏数据导致,请您检查数据列数是否和目标表一致。

如何处理读取数据时报错Project is protected?

Project上的安全策略禁止读取表中的数据,如果想使用全部数据,可以使用以下方法:
  • 联系Project Owner增加例外规则。
  • 使用DataWorks或其他脱敏工具先对数据进行脱敏,导出到非保护Project,再进行读取。
如果只想查看部分数据,可使用如下方法:
  • 改用o.execute_sql('select * from <table_name>').open_reader()
  • 改用DataFrame,o.get_table('<table_name>').to_df()

在DataFrame中如何使用max_pt?

使用odps.df.func模块来调用MaxCompute内建函数。
from odps.df import func
df = o.get_table('your_table').to_df()
df[df.ds == func.max_pt('your_project.your_table')]  # ds是分区字段。     

如何处理在Ipython或者Jupyter下使用PyODPS时的报错ImportError?

在代码头部增加from odps import errors

如果增加from odps import errors也报错则是缺少Ipython组件,执行pip install -U jupyter解决此问题。

如何处理上传Pandas DataFrame到MaxCompute时的报错ODPSError?

  • 问题现象:详细报错信息如下。
    ODPSError: ODPS entrance should be provided.
  • 问题原因:报错原因为没有找到全局的ODPS入口
  • 解决办法:
    • 使用Room机制%enter时,会配置全局入口。
    • 对ODPS入口调用to_global方法。
    • 使用ODPS参数DataFrame(pd_df).persist('your_table', odps=odps)

通过DataFrame写表时报错生命周期没有指定,怎么处理?

  • 问题现象:详细报错信息如下。
    table lifecycle is not specified in mandatory mode
  • 解决办法:Project要求对每张表设置生命周期,因此需要在每次执行时设置如下信息即可。
    from odps import options
    options.lifecycle = 7  # 此处设置lifecycle的值。lifecycle取值为整数,单位为天。      

执行SQL通过open_reader最多只能取到1万条记录,如何获取多于1万条的记录?

使用create table as select ...将SQL的结果保存成表,再使用 table.open_reader读取。

为什么通过DataFrame().schema.partitions获得分区表的分区值为空?

这是因为DataFrame不区分分区字段和普通字段,所以获取分区表的分区字段作为普通字段处理。您可以通过如下方式过滤掉分区字段。
df = o.get_table().to_df()
df[df.ds == '']       

建议您参考来设置分区或读取分区信息。

设置options.tunnel.use_instance_tunnel = False,为什么字段在odps中定义为DATETIME类型,使用SELECT语句得到的数据为STRING类型?

在调用Open_Reader时,PyODPS会默认调用旧的Result接口。此时从服务端得到的数据是CSV格式的,所以DATATIME都是STRING类型。

打开Instance Tunnel,即设置options.tunnel.use_instance_tunnel = True,PyODPS会默认调用Instance Tunnel,即可解决此问题。

PyODPS脚本任务不定时出现连接失败,报错ConnectionError: timed out try catch exception,是什么原因?

此报错可能原因如下:
  • 建立连接超时。PyODPS默认的超时时间是5s,解决方法如下:
    • 可以在代码头部加上如下代码,增加超时时间隔。
      workaround from odps import options 
      options.connect_timeout=30                        
    • 捕获异常,进行重试。
  • 由于沙箱限制,会造成部分机器禁止网络访问。建议您使用独享调度资源组执行任务,解决此问题。

在DataWorks上执行PyODPS,运行时报错Got killed,怎么处理?

  • 问题现象:运行时报错如下。
    ERROR:pyodps.pyodpswrapper:Got killed.
  • 问题原因:在DataWorks上使用PyODPS时,为了防止对DataWorks的Gate Way造成压力,DataWorks对运行时的内存和CPU都有限制。该限制由DataWorks统一管理。PyODPS使用限制,请参见使用限制
    说明 通过PyODPS发起的SQL和DataFrame任务(除to_pandas外) 不受此限制。
  • 解决办法:如果您发现有Got killed报错,即内存使用超限,进程被中止。请尽量避免本地的数据操作规避此问题。