1 简介
随着其功能的不断优化与扩充,pandas
已然成为数据分析领域最受欢迎的工具之一,但其仍然有着一个不容忽视的短板——难以快速处理大型数据集,这是由于pandas
中的工作流往往是建立在单进程的基础上,使得其只能利用单个处理器核心来实现各种计算操作,这就使得pandas
在处理百万级、千万级甚至更大数据量时,出现了明显的性能瓶颈。
本文要介绍的工具modin
就是一个致力于在改变代码量最少的前提下,调用起多核计算资源,对pandas
的计算过程进行并行化改造的Python
库,并且随着其近期的一系列内容更新,modin
基于Dask
开始对Windows
系统同样进行了支持,使得我们只需要改变一行代码,就可以在所有平台上获得部分pandas
功能可观的计算效率提升。
图1
2 基于modin的pandas运算加速
modin
支持Windows
、Linux
以及Mac
系统,其中Linux
与Mac
平台版本的modin
工作时可基于并行运算框架Ray
和Dask
,而Windows
平台版本目前只支持Dask
作为计算后端(因为Ray
没有Win
版本),安装起来十分方便,可以用如下3种命令来安装具有不同后端的modin
:
pip install modin[dask] # 安装dask后端
pip install modin[ray] # 安装ray后端(windows不支持)
pip install modin[all] # 推荐方式,自动安装当前系统支持的所有后端
本文在Win10
系统上演示modin
的功能,执行命令:
pip install modin[all]
成功安装modin
+dask
之后,在使用modin
时,只需要将我们习惯的import pandas as pd
变更为import modin.pandas as pd
即可,接下来我们来看一下在一些常见功能上,pandas
VSmodin
性能差异情况,首先我们分别使用pandas
和modin
读入一个大小为1.1G的csv
文件esea_master_dmg_demos.part1.csv
,来自kaggle
(https://www.kaggle.com/skihikingkevin/csgo-matchmaking-damage/data),记录了关于热门游戏CS:GO
的一些玩家行为数据,因为体积过大,请感兴趣的读者朋友自行去下载:
图2
为了区分他们,在导入时暂时将modin.pandas
命名为mpd
:
图3
可以看到因为是Win
平台,所以使用的计算后端为Dask
,首先我们来分别读入文件查看耗时:
图4
借助jupyter notebook
记录计算时间的插件,可以看到原生的pandas
耗时14.8秒,而modin
只用了5.32秒,接着我们再来试试concat
操作:
图5
可以看到在pandas
花了8.78秒才完成任务的情况下,modin
仅用了0.174秒,取得了惊人的效率提升。接下来我们再来执行常见的检查每列缺失情况的任务:
图6
这时耗时差距虽然不如concat
操作时那么巨大,也是比较可观的,但是modin
毕竟是一个处理快速开发迭代阶段的工具,其针对pandas
的并行化改造尚未覆盖全部的功能,譬如分组聚合功能。对于这部分功能,modin
会在执行代码时检查自己是否支持,对于尚未支持的功能modin
会自动切换到pandas
单核后端来执行运算,但由于modin
中组织数据的形式与pandas
不相同,所以中间需要经历转换:
图7
这种时候modin
的运算反而会比pandas
慢很多:
图8
因此我对modin
持有的态度是在处理大型数据集时,部分应用场景可以用其替换pandas
,即其已经完成可靠并行化改造的pandas
功能,你可以在官网对应界面(https://modin.readthedocs.io/en/latest/supported_apis/index.html )查看其已经支持及尚未良好支持的功能,,因为modin
还处于快速开发阶段,很多目前无法支持的功能也许未来不久就会被加入modin
:
图9
以上就是本文的全部内容,如有疑问欢迎在评论区与我讨论。