如何只用一行代码让 Pandas 加速四倍?

  • 时间:
  • 浏览:4
  • 来源:一分11选5-首页

Modin 是新出的两个 多 库,通过自动化地将计算分布到系统所有可用的 CPU 核上,来加速 Pandas。Modin 宣称,通过你这个 技术,对于任何大小的 Pandas 数据帧,它都不必都还都可以获得和系统 CPU 核数几乎成正比的性能增长。

https://www.kdnuggets.com/2019/11/speed-up-pandas-4x.html

Pandas 默认是在单个 CPU 核上,采用单多多进程 执行函数,这在小数据集上运行得很好,而且你而且觉察不都还都可以太少性能上的差异。而且,对于较大数据集,不都还都可以 做更多的计算,这时而且还只使用单个 CPU 核,就会以前 刚结束感觉到性能受到影响了。对于具有百万行甚至数十亿行的数据集,Pandas 每次只计算两个 多 数。

点个在看少个 bug

预警以及最后的基准测试

这正是 Modin 所采用的土办法,它把数据帧切割成不同累积,每个累积也有被送到不同的 CPU 核。Modin 会同时从行和列两个 多 维度对数据帧切分。这使得 Modin 的并行处置能不都还都可以适应任何行态的数据帧。

https://stackoverflow.blog/2017/09/14/python-growing-quickly/

Pandas 是 Python 中处置数据的首选库,它使用起来很容易,非常灵活,不必都还都可以处置不这类 型和大小的数据,而且它有一定量的函数,这让操作数据你以为是小菜一碟。

好了,你而且掌握了 Modin 模块!这是一篇 Modin 加速 Pandas 函数的使用指南。只不都还都可以 修改 import 导入语句即可实现加速。希望大慨在有些情形下,我就发现 Modin 对加速 Pandas 函数有所帮助。

Pandas 数据帧(左图)作为整块存储,且只发送到两个 多 CPU 核。Modin 数据帧(右图)在行和列方向上被切分成了小块,每块都能不都还都可以被发送到不同的 CPU 核(可发送到的核数取决于系统中最大核数)。

策划丨蔡芳芳

作者丨George Seif

Modin 是何如用 Pandas 做并行处置的

历年来 Python 开发包的受欢迎程度。来源:

译者丨夏夜

默认情形下,Modin 会使用你的机器上所有可用的 CPU 核。而且有些情形下,你希望限制 Modin 使用的 CPU 核数量,有点痛 是当你还想在别的地方使用那些核的算力的以前 。我们我们都 能不都还都可以通过 Ray 模块中的初始化设置来限制 Modin 能使用的 CPU 核数量,而且 Modin 会在后台使用 Ray 配置。

有些情形下,Pandas 实际上会比 Modin 运行得快一点 ,即使在你这个 有着 5,992,097(几乎 500 万)行的大数据集上。下面表格展示了 Pandas 和 Modin 在有些实验上的运行时间。

结论

多核系统何如加速处置数据。左图:单核处置土办法,10 个任务都由单个计算节点处置。右图:双核处置土办法,每个节点处置 5 个任务,于是处置数率就加倍了。

想象一下你这个 例子,你两个 多 数据帧,它有有些有些列,却不都还都可以寥寥几行。有些库只会在行你这个 维度做切分,在你这个 例子中并行度就不够了,而且我们我们都 的列数大于行数。而且有了 Modin,而且它会在两个 多 维度进行切分,有些有些不管数据帧是宽的(列数较多)还是长条形的(行数较多),而且两类情形兼具时,其对那些数据帧的并行处置就都很高效了。

Pandas 随便说说是 Python 中用于数据处置的库,但它也有为高性能数据处置而打造的。本文将带你了解最近新推出的代码库 Modin,它是专为 Pandas 分布式计算而开发的,不必都还都可以加速处置数据。

本文接下来的例子和基准测试,我们我们都 打算使用来自 Kaggle 的 CS:GO Competitive Matchmaking Data 数据集。CSV 文件中的每一行都中含了 CS:GO 比赛中的一轮数据。

而且 Modin 老会 如此快吗?

以上代码中,我们我们都 将两个 多 数据帧qq克隆好友 了 5 次进行连接。Pandas 能不都还都可以在 3.56 秒内完成你这个 连接操作,而 Modin 只花了 0.041 秒,Modin 实现了 86.83 倍的加速!看起来即使我们我们都 不都还都可以 6 个 CPU 核,数据帧的分块对加速也起了很大的作用。

为了在执行并行处置时完成一定量繁重的工作,Modin 能不都还都可以使用 Dask 而且 Ray 。你这个 个多 库也有用 Python API 写的并行计算库,我就在运行时选着其一与 Modin 同时使用。Ray 是目前为止最安全的,而且它更加稳定——而 Dask 后端还是实验性质的。

我就们 在数据帧上做有些计算量大的操作看下。将几个数据帧连接起来是 Pandas 中的两个 多 常用操作——我们我们都 的数据而且中含在几个而且更多的 CSV 文件中,我们我们都 不得不一次读入两个 多 文件,再进行数据帧连接。我们我们都 在 Pandas 和 Modin 中只需调用 pd.concat() 函数就能不都还都可以很容易做到这点。

给 Modin 性能做基准测试

这次,Pandas 运行.fillna() 用了 1.8 秒,而 Modin 仅用了 0.21 秒,实现了 8.57 倍的加速!

上图是两个 多 简单示例。Modin 实际上采用了两个 多 分块管理器,它能不都还都可以基于操作类型来改变分块大小和行态。这类 ,有个操作不都还都可以 完整版的行而且列。在你这个 情形下,分块管理器)会以它能发现的最优土办法执行切分,并把分块分散发送到 CPU 核上,它是很灵活的。

Pandas 中老会 使用的数据帧清理函数是.fillna() 函数。你这个 函数搜索数据帧中值为 NaN 的元素,将其值替换为你指定的值,这其中含一定量的操作。Pandas 不得不遍历每一行每一列来找到 NaN 值而且替换它们。这里使用 Modin 来操作就再适合不过了,而且我们我们都 这里是对两个 多 简单操作重复有些有些次。

Modin 还是两个 多 非常新的库,开发和扩展也有不断进行中。有些有些,也有所有的 Pandas 函数都得到了完整版加速。而且你使用了 Modin 中还如此加速的函数,它会默认使用 Pandas 函数版本,有些有些原来就不必产生任何 bug 而且错误。想查看 Modin 中支持的 Pandas 函数加速的完整版列表,请浏览该页面。

我就看后,有些操作,Modin 明显快一点 ,通常是读取数据和查找数据。有些操作,比如进行统计计算,Pandas 会快有些有些。

安装和运行 Modin 最简单的土办法是通过 pip 来进行。以下命令用来安装 Modin、Ray 以及所有相关依赖。

我们我们都 要做的第两个 多 测试可是 简单地用 read_csv() 函数读取数据。使用 Pandas 而且 Modin 实现你这个 功能的代码是完整版一样的。

而且,大多数用于数据科学的现代化机器都大慨有 2 个 CPU 核,这导致 ,在有 2 个 CPU 核的机器上,使用 Pandas 的默认配置时,大慨有 50% 的计算机算力都被闲置了。而且你有 4 个核(现代的 Intel i5)而且 6 个核(现代的 Intel i7),情形那就更糟糕了,而且 Pandas 就也有为有效利用多核算力而设计的。

在 Pandas 中生成了两个 多 数据帧后,我们我们都 的目标是用最快的土办法执行有些计算而且处置工作,比如而且是要求解每列的平均数(使用 mean() 函数)、根据groupby字段对数据分组、移除所有重复数据(使用 drop_duplicates() 函数),而且是 Pandas 中含些内建的函数。

理论上讲,并行计是不是 很容易的,只不都还都可以 把数据集不同累积的计算应用到每个可用的 CPU 核上。对于 Pandas 的数据帧,基本的想法可是 把你这个 数据帧分成好几个,块数和你机器上的 CPU 核数量相等,让每两个 多 CPU 核计算其中一块。最后,我们我们都 再把计算结果汇总,你这个 汇总操作计算量不必说大。

我们我们都 预期 Modin 对这类 操作而且运行得很好,而且它不必都还都可以处置一定量的数据。代码如下所示:

对 Modin 的操作建议

我就们 来看下 Modin 也有何如运行的,而且看几个代码用例。

说到这里,理论累积而且介绍得足够多啦。我就们 来看看代码和性能的基准测试吧!

在前面一节中,我们我们都 提到了 Pandas 只用两个 多 CPU 核做数据处置的土办法。很自然,这成了两个 多 大大的瓶颈,有点痛 是对于较大的数据帧,缺少计算资源会给性能带来较大影响。

嗯,随便说说不必说老会 如此快。

当处置大数据时,通常情形下,数据集的大小不必超出系统内存(RAM)的大小。而且,Modin 还两个 多 有点痛 的标记,通过把你这个 标记设置为 true,我们我们都 能不都还都可以启动核外(out of core)模式。核外模式是指当内存不够用时,Modin 会使用硬盘空间,原来就使我就处置比内存大小更大的数据集。我们我们都 设置如下的环境变量来开启你这个 功能:

为了测试数率,我导入了 time 你这个 模块,在 read_csv() 函数前后调用了 time.time()。结果,Pandas 花了 8.38 秒从 CSV 文件中载入数据到内存,而 Modin 仅花了 3.22 秒,Modin 实现了 2.6 倍的加速。倘若修改导入库名称就能不都还都可以实现原来的加速,不必说太爽了!