Hacktoberfest 2026: le issue che i maintainer hanno segnato per ottobre, aperte e adatte ai principianti. Sfoglia le issue Hacktoberfest

Perf: update open_era5.py to use read_xarray_table with filter pushdown and lazy loading

Aperta
  • Qualcosa non va?
#139 0 commenti 0 reazioni 0 assegnatari Vedi su GitHub

I maintainer di solito rispondono entro 1 giorno

Nessuno ha ancora preso questa issue.

Valutazione

Difficoltà
3/5
Tempo stimato
1-2 giorni
Idoneità per principianti
52/100
Tipo di issue
Funzionalità
Chiarezza
Specificata chiaramente
Stato di attività
Ferma
Stack tecnologico
google-cloud, python
Ambito
data-engineering, performance

Direzione di ricerca

Start with perf_tests/open_era5.py and compare its existing read_xarray call with the proposed read_xarray_table flow. Add measurements for registration, a time filtered query, and a full scan, then run the benchmark with GCP authentication available and check that the output reports timings for each workload.

Scritto dal modello di indicizzazione a partire dal testo della issue.

Descrizione

Context

perf_tests/open_era5.py currently uses the older read_xarray API, which returns an eager pa.RecordBatchReader. It also only prints the schema, making it impossible to benchmark real query performance.

Current state

# open_era5.py
era5_ds = xr.open_zarr("gs://gcp-public-data-arco-era5/...", chunks={"time": 240, "level": 1})
era5_wind_df = xql.read_xarray(
    era5_ds[["u_component_of_wind", "v_component_of_wind"]]
)
print(era5_wind_df.schema)

Issues:

  1. Uses read_xarray instead of read_xarray_table — loses filter pushdown and lazy partition loading
  2. Only inspects schema, never runs a query — no way to measure actual query performance
  3. Does not demonstrate the partition pruning benefit for time-range queries

Proposed update

# open_era5.py
import time
from datafusion import SessionContext
import xarray as xr
import xarray_sql as xql

era5_ds = xr.open_zarr(
    "gs://gcp-public-data-arco-era5/ar/1959-2022-full_37-1h-0p25deg-chunk-1.zarr-v2",
    chunks={"time": 240, "level": 1},
)
wind_ds = era5_ds[["u_component_of_wind", "v_component_of_wind"]]

# read_xarray_table: lazy, supports filter pushdown
table = xql.read_xarray_table(wind_ds, chunks={"time": 240})

ctx = SessionContext()
ctx.register_table("era5_wind", table)

# Filter pushdown: should prune most partitions
t0 = time.perf_counter()
result = ctx.sql(
    "SELECT AVG(u_component_of_wind), AVG(v_component_of_wind) "
    "FROM era5_wind WHERE time > '2020-01-01'"
).to_arrow_table()
print(f"Filter query: {time.perf_counter() - t0:.2f}s  {result}")

Goals

  • Serve as a real-world benchmark for ERA5 (the primary large-scale use case)
  • Show filter pushdown pruning thousands of partitions
  • Compare registration time, filter query time, and full-scan time
  • Can be run with py-spy to generate flame graphs once GCP auth is available
Lingua principale
Python
Stelle
142
Fork
19
Merge medio
1g 9h
PR unite (30g)
9

Preparare l'ambiente

Come iniziare

  1. Leggi tutta la issue e poi la guida ai contributi del progetto.
  2. Commenta sulla issue per dire che te ne occupi tu — evita che due persone facciano lo stesso lavoro.
  3. Fai un fork del repository e lavora su un branch.
  4. Apri una pull request che faccia riferimento al numero della issue.

Altre issue di xqlsystems/xarray-sql

Tutte le issue di xqlsystems/xarray-sql

Issue simili

Altre issue su Python

Ricevi le nuove issue nella tua casella

Un breve riepilogo di issue GitHub adatte ai principianti.