概要

Tableau × R で時系列分析をやってみるにインスパイアされました。
といっても、Rとの連携に関しては、既にQlik SenseでR/Shinyを使う（実験段階）という記事でも触れているので、ここでは大量データをオンメモリーで本当に処理できるかどうか、を試してみます。
具体的には、適度にカーディナリティの低いデータを用いて、Surface Pro3のスペックで10億件のレコードを処理するのにどれぐらい時間がかかるのか、ということを試します。

実験１

詳細について

上でも少し書いていますが、QlikView/Qlik Senseは、カーディナリティが低いデータが非常に得意です。カーディナリティが高いデータについては、特別に不得意ということは無いのですが、カーディナリティが低い場合の他のツールとの差が圧倒的だと思っています。（きちんと試した訳ではないのですが…）
そこで、今回は次のようなプログラムでダミーデータを生成し、まず1億件のデータの処理がどれぐらいでできるのか、を調べます。

Program.cs

using System;
using System.Collections.Generic;
using System.IO;
using System.Linq;
using System.Text;
using System.Threading.Tasks;

namespace ConsoleApplication3
{
    class Program
    {
        static void Main(string[] args)
        {
            StreamWriter sw = new StreamWriter(@"c:\a_test\dummy_data.txt");
            var r = new Random();
            sw.WriteLine("区分1,区分2,区分3,金額");
            for (long i = 0; i < 100000000; i++)
            {
                sw.WriteLine(r.Next(5) + "," + r.Next(5) + "," + r.Next(10) + "," + 500 * r.Next(20));
            }
            sw.Close();
        }
    }
}

見てわかる通り、区分1,区分2,区分3,金額という謎の4つの項目を持ち、区分1～3は5種類、金額は20種類の離散的な値を取ります。

データロード

Qlik Senseを立ち上げ、アプリの新規作成を選び、GUIに従ってデータを追加します。

約1GB、1億行の単純なカンマ区切りファイルですが、読み込みには1分41秒かかりました。
このデータの読み込みは、新しいデータをQlik Senseのファイルに取り込む際に必要なもので、一度取り込んだデータを処理する場合＝保存されたファイルを単に開く場合には不要です。
一般的には、バッチ処理等でサーバーで自動的にデータロードさせることが多いですが、Qlik Sense Desktopの場合、勝手にリロードする機能は無い為、都度必要に応じて自分でデータロードする必要があります。
ちなみに、この時のマシン負荷は図の通りです。(SurfacePro3/corei5/メモリ8GBモデル)

アプリづくり

GUIに従って、ピボットテーブルを作ってみます。

ピボットテーブルを表示したときの、マシン負荷も載せています。ほとんど負荷がかかっていませんが、計算はされています。計算にはほとんど時間がかかっていません。
この状態だと、区分2～区分3が閉じられているので、展開してみます。

例によって、ほとんど負荷はかかりません。
ちなみに、このときQlik Sense Desktopのプロセスは約1.4GB程度メモリを消費していました。

ファイルサイズ

Qlik Senseでは、データとUIコンポーネントをセットで「アプリ」として保存します。qvfというファイルになります。

元々のサイズが約1GBなので、圧縮された状態になっています。
このあたりの詳細はここでは説明しませんが、超正規化とか連想技術とかで検索すると、何かが出てくると思います。

実験２

このカーディナリティの高さだと、Qlik Senseの限界を知ることは全くできませんでした。
データの量を10倍に増やして、10億件にしてみます。ついでに、カラムも一つ増やします。

データロード

データをロードするスクリプトを編集して、ダミーデータをもっと増やします。

元のスクリプトは単にデータを読み込んでいるだけですが、適当な計算処理や日付を付加する謎の処理を付け加えました。
データロード中の様子です。さすがに計算処理を付け加えると、かなり重くなるようです。
CPU負荷が逆に100%ではなくなってしまったのが面白いところでしょうか。

一時間ちょっとかかりました。
データをロードした後、Qlik Senseの中で最適化する処理や、ファイルを保存する処理では負荷が上がっています。
また、メモリの使用量も増えました。増えましたと言っても、1GB弱ですが。