别再用Pandas处理大数据了！现在你拥有更好的选择

全文共1584字，预计学习时长7分钟

 

图源：unsplash

 

众所周知，Pandas是最好的探索性数据分析工具之一。但它并非对于每个工作来说都是最佳选择，大数据处理就与它“气场不合”。

 

Pandas并不具备多处理器，并且处理较大的数据集速度很慢。笔者消耗在等待Pandas读取一堆文件或对其进行汇总计算上的时间太多太多了。最近，笔者发现了一个更好的工具可以更新数据处理管道，使这些CPU内核正常工作！

 

笔者使用该工具进行繁重的数据处理，例如读取包含10 G数据的多个文件，对其进行过滤并汇总。数据处理工作结束之后，再将结果保存到一个较小的适用于Pandas的CSV文件中，然后继续对Pandas进行探索性数据分析。这就方便许多啦，一起来认识认识这个新工具吧！

 

 

认识Dask

 

 

Dask提供了高级并行性的分析功能，得以拥有大规模处理数据的性能。适用于Dask的算法工具包有numpy, pandas和sklearn。

 

Dask是一个开源且免费的工具。它使用现有的PythonAPI和数据结构来简化在Dask支持的等效项之间的切换。它使简单的事情变得更容易，让复杂的事情变得可能。

 

 

Pandas vs Dask

 

来看一个实际的例子。在工作中，我们通常会得到一堆需要分析的文件。下面模拟笔者的工作日，并创建10个具有100K条目的文件（每个文件有196 MB）。

 

fromsklearn.datasets import make_classification
import pandas as pdfor i in range(1, 11):
    print('Generating trainset %d' % i)
    x, y =make_classification(n_samples=100_000, n_features=100)
    df = pd.DataFrame(data=x)
    df['y'] = y
    df.to_csv('trainset_%d.csv' % i,index=False)

 

先用Pandas读取这些文件并测算时间。Pandas不支持本地glob，因此需要循环读取文件。

 

%%timeimport globdf_list = []
for filename in glob.glob('trainset_*.csv'):
    df_ = pd.read_csv(filename)
    df_list.append(df_)
df = pd.concat(df_list)
df.shape

 

Pandas花了16秒读取文件。

 

CPU times: user 14.6 s, sys:1.29 s, total: 15.9 s
Wall time: 16 s

 

想象一下如果文件扩大100倍，Pandas可能就无能为力了，你甚至无法用Pandas读取它们。

 

图源：unsplash

 

而Dask可以处理无法读入内存的数据，它会将数据分成多个块并指定任务链。现在我们来计算一下Dask加载这些文件需要多长时间。

 

importdask.dataframe as dd%%time
df = dd.read_csv('trainset_*.csv')CPU times: user 154 ms, sys: 58.6 ms, total:212 ms
Wall time: 212 ms

 

只要154 ms! 这是怎么做到的？事实上，这个时间是不准确的。Dask延迟了执行模式。它仅在需要时才进行计算。定义执行图，Dask得以优化任务的执行,并重复该实验。此外，Dask的read_csv函数在本机使用glob。

 

%%timedf= dd.read_csv('trainset_*.csv').compute()CPU times: user 39.5 s, sys: 5.3 s,total: 44.8 s
Wall time: 8.21 s

 

计算功能强制Dask返回结果，Dask读取文件的速度是Pandas的两倍。

 

 

Pandas vs Dask CPU使用率

 

Dask是否用到了所提供的所有CPU核心功能？比较一下读取文件时Pandas和Dask之间的CPU使用率就知道了，看看代码是否与上面的相同。

 

读取文件时Pandas的CPU使用情况

 

读取文件时Dask的CPU使用情况

 

我们可以看到，Pandas和Dask在读取文件时的多处理差异很明显。

 

究竟发生了什么？

 

Dask的数据框架由多个Pandas的数据框架组成，按索引划分。当使用Dask执行read_csv函数时，多个进程将读取一个文件，甚至能够被可视化为执行图。

 

exec_graph= dd.read_csv('trainset_*.csv')
exec_graph.visualize()

 

 

读取多个文件时，Dask执行速度较慢。

 

安装方法

 

要安装Dask，只需运行：

 

python-m pip install "dask[complete]"

 

 

Dask的缺点

 

既然Dask这么出色，我们能否直接用它取代Pandas呢？哪有这么简单的事儿。只有来自Pandas的某些特定功能，才能被迁移到Dask。其中一些功能很难并行化，例如排序值和在未排序的列上设置索引。

 

Dask也并非是万能的，用于不适合主内存的数据集是最适合它的“舞台”。Dask是建立在Pandas之上的，Pandas运行缓慢，Dask则同样运行缓慢。Dask在数据管道过程中仅仅是一个好用的工具，它不能替代其他库。

 

图源：unsplash

 

为你的工作挑选合适的工具，为你的工具寻找匹配的“舞台”，这样它才能够尽情“表演”。

 

我们一起分享AI学习与发展的干货
欢迎关注全平台AI垂类自媒体 “读芯术”

（添加小编微信：dxsxbb，加入读者圈，一起讨论最新鲜的人工智能科技哦～）