决战大数据之巅：Spark、Dask、Vaex、Pandas的正面交锋

全文共3924字，预计学习时长15分钟

图源：unsplash

 

新的数据科学问题席卷而来时，首要问题是使用何种技术。广告宣传、标准工具、尖端技术、整个平台和现成的解决方案，都是备选项。

过去的几年里，笔者尝试使用各项技术来构建概念证明和解决方案。笔者注册试用新平台、试用任何大型云平台发布的新功能。当一项新技术出现时，笔者必然会浏览一些教程并在个人数据集上试用。

笔者决定比较各项数据整理技术，以便为下一个项目选择最适合表格式数据探索、清洗和整理的技术。笔者也以此为契机，重新接触了好几年没有使用过的技术。随着时间的推移，这些技术已优化很多。

 

TL;DR

Vaex作为新型大数据技术正在崛起。如果用户已在使用PySpark平台或已拥有PySpark人才，这仍是一个不错的选择。

 

是什么

下文中，笔者假设读者对Python API和大数据功能有基本的掌握程度。我选取了Taxi数据集的10亿行数据，容量有100GB。目标是比较这些技术的API、性能和易用性。笔者认为Pandas是API的基准（确实承认该说法存在争议的），因为Pandas是目前最常见的解决方案，但不能处理大数据。

程序员有两种处理大数据集的传统方式/方法：一种是更强大的/分布式计算，使内存与数据大小相匹配；另外一种是核外方法，即只有在必要时才在内存中读取数据。二者成本差异巨大，因此，笔者决定只考虑核外计算的解决方案。

 

图源：unsplash

 

竞争产品：

· Koalas —Apache Spark 上的Pandas API。

· Vaex —一个用于延迟外核数据帧的Python库。

· DaskDataFrame —一款用于分析的灵活并行计算库。

· PySpark —一款基于Spark的用于大规模数据处理的统一分析引擎。

· Turicreate —一个相对私密的机器学习包，其数据框架结构为符合标准的SFrame。

· Datatable — H2O无人驾驶AI的支柱。它是一个数据帧包，特别强调单节点速度和大数据支持。

 

荣誉奖：

· Vaex确实具有GPU和numba支持，但笔者没有进行基准测试。

· Pandas —Pandas具有分块功能，但在探索和动态交互方面，它与其他工具不同。

· cuDF (RapidAI) — GPU数据框软件包是一个刺激的概念。对于大数据，必须使用带有Dask的分布式GPU来匹配数据大小，适合无底洞。

· H2O — 标准的内存数据框架是全面的。尽管如此，根据集群是数据集四倍大小的建议，用户需要有足够的资金利用H2O进行勘探和开发。它另一个GPU版本也有相同的问题。

· Modin —一种在不更改后台使用Dask或 Ray的API情况下缩放Pandas的工具。然而目前它只能读取一个镶木地板文件，而笔者已拥有一个分块的镶木地板数据集。程序员们有望通过Modin获得与Dask数据帧类似的结果，所以此时将所有镶木地板文件合并不是最佳选择。

 

怎么样

笔者在AWS Sagemaker上使用了一个0.95美元/小时的ml.c5d.4xlige实例，可以轻松复制基准。它有16个vcpu，32GB的RAM加上500个SSD，这与一台固态笔记本电脑有相似之处。

尽管所有竞争产品都可以读取CSV文件，但更优化的方法是使用最适合每种技术的二进制版本。

对于PySpark、Koalas和Dask数据帧，我使用了Parquet，而对于Vaex，笔者使用了HDF5。Turicreates的SFrame具有特定的压缩二进制版本。Datatable是jayformat优化的一种特殊情况。

尽管无法用Datatable读取CSV文件，但Maarten Breddels还是破解了一种使用HDF5的方法，无论实例大小（即使在RAM中的数据大小是原来的两倍多）。当Datatable能够可靠地读取多个CSV、Arrow或Parquet文件时，最好对工具进行更新。

笔者想指出的是，该基准测试的开发成本有点昂贵，技术在运行几个小时后多次崩溃。

 

结果

编码复杂度：只需关注API，就能了解每种技术的代码量和设计模式。

 

 

优胜者：Vaex，Dask DataFrame，Turicreate和Koalas的代码非常类似于Pandas代码（Koalas和Pandas代码一样），用户可以轻松完成任何事情。

淘汰者：PySpark和Datatable具有自己的API设计，用户必须学习和调整这些API。这项任务并不艰巨，但如果你习惯使用了Pandas，这是一个限制。

 

特征

优胜者：PySpark / Koalas和Dask DataFrame提供了各种各样的功能。注意，在某些复杂情况下使用PySpark时，用户可能需要“ map-reduce”知识来编写算法以实现特定需求。

使用Dask DataFrame，用户需要知道何时可以或不能使用sklearn功能，该功能无需占用大量内存即可扩展。虽然Vaex和Turicreate缺少一些特定功能，但它们涵盖了大多数核心功能。

淘汰者：Datatable的功能似乎还不成熟，而且远远落后于其他竞争者。

 

管道

图源：unsplash

 

通常，在为机器学习和后端API构建解决方案时，用户需要对流程进行编程。例如，在对列进行归一化时，需要记住均值和标准差以对新观察值进行归一化。此时，简单性，灵活性和代码简洁性至关重要。对于许多数据科学应用程序来说，该任务可能占据整项工作的80%。

优胜者：Vaex。借助自身表达系统，Vaex对数据集的任何转换都将保存在后台，以便用户可以轻松地将其应用于新数据。这使得学习管道轻松化，管道运行实际上是在进行一项无任务导向的事情。

其次是Dask DataFrame，它具有各种预处理工具。但可能需要运行转换器，并考虑可以有效处理哪些sklearn转换器。

接下来是PySpark。即使构建管道是PySpark的强项之一，用户需要编写很多代码才能实现该任务。不利于PySpark的另一件事是，模型和管道的安装和部署绝非易事。你肯定需要（或倾向于）昂贵的平台（例如Databricks和Domino），或严重依赖Sagemaker，Dataproc或Azure的基础结构。

淘汰者：Koalas，Turicreate和 Datatable

Turicreate and Datatable不具备管道功能。尽管Koalas具有比PySpark更好的API，但对在创建管道方面相当不友好。用户可以轻易将Koalas转换为PySpark数据帧并快速返回，但是对于管道功能而言，这很繁琐，并且会带来各种麻烦。

 

惰性计算

惰性计算是一项功能，仅在需要时才运行计算。例如，如果我有两列A和B，则创建新的A * B列实际上需要0秒且没有内存。如果我想查看该列的前几个值，则仅计算那些值即可，而无需计算整个列。

惰性计算提速并简化了使特征工程和其勘察过程，并防止了在内存中存储其他庞大的列数据。处理大型数据集时，例如设计新列，连接表或筛选太大而无法放在内存中的数据时，惰性计算的价值功能则相当明显，因为普通计算可能会导致计算机崩溃。

从性能角度来说，你会在下一节看到笔者创建了一个新列，然后计算了平均值。Dask 数据帧花费的时间比其他技术长10到200倍，笔者认为此功能没有得到很好的优化。不幸的是，尽管Koalas支持，但PySpark不支持惰性评估。

 

图源：unsplash

优胜者：Vaex， Datatable， Koalas和 Turicreate

淘汰者：PySpark和 Dask DataFrame

 

性能

这里我想误引乔治·博克斯的话：“所有的基准都是错误的，但有些是有用的。”各工具的性能可能会有所不同，笔者受到此博客的启发，将每个基准测试运行两次。考虑到首次运行与成批处理工作更相关（更能指示磁盘读取速度），二次运行更能代表交互工作体验（方法的实际速度）。

在以下所有图表中：

· 蓝色条表示首次运行，橙色条表示二次运行。

· TuricRate具有草图功能，可以同时计算一系列统计和估计；它更适合于统计分析。

· 为了更简洁的名称可视化，我使用别名：“dt”表示Datatable，“tc”表示Turicreate，“spark”表示PySpark，“dask”表示dask DataFrame。

 

基本统计

此处，笔者测试了一些基础数据：平均值、标准差、值计数、两列乘积的平均值，创建了一个惰性列并计算其平均值：

 

· Vaex处于领先地位。

· Koalas得到了与PySpark相似的结果，这是合理的，因为它在后台使用了PySpark。

· Dask数据帧、Turicreate和Datatable性能相对落后。

 

繁重计算

笔者在两列上使用均值和标准差进行分组，然后将其加入原始数据集并计算行数，这样就不必处理内存中的整个合并数据集。笔者还运行了一个超级繁琐复杂的数学表达式，以探索冗长特征工程的过程影响。

 

· Vaex在连接方面做得很好，它使图形失真。

· Datatable在连接方面表现出色。此结果可能与我用HDF5包装数据表的方式有关。我没有加入所有的字符串列，这导致数据帧的占用空间更少。因此它是黑马，第二名！

· Dask DataFrame和Turicreate再次落后。

注意，当我在一个新创建的列上运行连接时，除了Vaex之外的所有技术都崩溃了，在规划特征工程时要考虑到这一点。

可以看到，Dask DataFrame和Turicreate性能落后，Vaex赢得了绝对的胜利。

过滤

此处，笔者首先过滤数据并重复上述操作。此时Koalas，Datatable和Turicreate崩溃了。这些结果很好地体现了数据清洗性能。

 

· 在大多数情况下，尤其是在第二轮比较中，Vaex似乎占了上风。

· Dask数据帧并未崩溃，因此获得了荣誉称号，但结果比Vaex和PySpark慢5到100倍。

 

数量

下面是列表结果：

· 结果以秒为单位。

· 缺少结果的地方，技术崩溃了。

· 小于一秒的值表示惰性计算。

· 交互式表格。

 

优胜者：Vaex明显胜利，亚军是PySpark和Koalas

淘汰者：Dask DataFrame，Turicreate和Datatable

 

最后一点

此代码允许用户比较API并自己运行基准测试。所有数据集都可以以正确的二进制格式下载。我在使用Dask 数据帧时遇到了种种问题，为了获得最佳性能，我竭尽全力重新启动内核，并在进行一些计算之前重新读取了数据。

尽管过程很不愉快，但我还是尽了最大努力来获得最佳性能。如果仅按原样运行笔记本，则可能要等待几个小时，不然可能会崩溃。正如预期的那样，Koalas和PySpark的结果非常相似，因为它们都在后台使用Spark。

如前所述，我无法对文件中未保留的新创建列应用测试，因为这会使Dask 数据帧和PySpark崩溃。为了解决这个问题，我进一步计算了结果的平均值或计数，以强制使用单个值。我没有使用任何字符串列，这是因为破解Datatable对字符串列不起作用。

（免责声明：我本人认识Turicreate的创建者之一，Spark的撰稿人和Vaex的主要开发人员，但我尽可能地保持公正去发表看法。）

图源：unsplash

自从Turicreate开源以来，笔者一直在使用Turicreate作为它的首选软件包，而在此之前，笔者一直使用PySpark，现在已改成Vaex。尽管状态还处于起步阶段，还有些粗糙，但是表达式和状态转移减少了因不常用功能而形成的代码浪费，提升了编码速度。

笔者对PySpark和Koalas的出色表现感到惊讶，但设置问题、使用非现有平台部署解决方案、管道问题、开发过程中无法解释的错误（以及常见的PySpark API问题）等麻烦依然存在。

Dask 数据帧是一个高难度挑战。它崩溃了无数次，笔者经历了多次考验，以使其在性能上更具竞争力。

概言之，在基准测试开发过程中，PySpark和Dask DataFrame是时间成本最高、价格成本最大的。

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～）