使用modin針對pandas進行效能優化

1.為什麼要使用modin？

modin 是加州大學伯克利分校 riselab 的乙個早期專案，旨在促進分布式計算在資料科學領域的應用。它是乙個多程序的資料幀（dataframe）庫，具有與 pandas 相同的應用程式介面（api），使使用者可以加速他們的 pandas 工作流。

該系統是為希望程式執行得更快、伸縮性更好，而無需進行重大**更改的 pandas 使用者設計的。這項工作的最終目標是能夠在雲環境中使用 pandas。

我們在使用pandas進行資料處理時難免出現效能瓶頸，在實際工作生產中pandas操作百萬高維資料時，效能不足的問題會逐步放大，這與pandas的單核執行機制相關，pandas在將大資料量加載入快取時，會將龐大的dataframe同時拷貝入快取中。

2.modin與pandas的效能對比例項

我們來看一下使用modin分布式並行加速後pandas與原始pandas對比

1.首先我們先建立乙個計算執行時間的裝飾器，並分別匯入modin與pandas，並設定匯入資料的路徑

匯入資料為乙份石家莊poi資料，資料量為40w左右，特徵數15，資料大小在105mb

讓我們看看modin與pandas在這個級別資料載入速度的對比

import pandas as pd
import modin.pandas as mpd
import os
import time
path =
'/users/mac/desktop/data_processing/poi/untitled folder/石家莊市poi_20200108.csv'
deftime_out
(func)
:def
inner
(*arg,
**kwargs)
:        start = time.clock(
)        r = func(
*arg,
**kwargs)
end = time.clock(
)print
(end-start)
return r
return inner

這是個裝飾器可以計算單個函式所執行的時間

隨後分別使用modin與pandas針對同乙份資料進行資料載入dataframe型別並存入快取中

@time_out
defmodin_read()
:    data = mpd.read_csv(path)
return data
@time_out
defpd_read_time()
:    data1 = pd.read_csv(path)
return data1
if __name__ ==
'__main__'
:    modin_read(
)    pd_read_time(
)

通過執行這段**可以得到

/usr/local/ bin/python3. 6/users/mac/pycharmprojects/jxw_test_sp/pyspark_lou/project.py 0.16381800000000002 1.714888 process finished with exit code 0

通過裝飾器計算我們可以清楚看到，使用modin加速後相比原始pandas效能提公升10倍有餘。

這樣來看modin加速後的pandas可以完全取締原始pandas，可事實真的是這樣嘛？

於是我又將另一組資料進行載入測試，這組資料量為11000，特徵數為12，大小大約為2.2mb。讓我們看下modin在小資料量下表現如何。

/usr/local/ bin/python3. 6/users/mac/pycharmprojects/jxw_test_sp/pyspark_lou/project.py 0.15624100000000007 0.09584199999999998 process finished with exit code 0

我們發現modin在小資料量下效能反而不如原始pandas，這也是在意料之中，由此可知有經驗的資料科學家在modin與pandas在實際使用上，會根據資料量大小從而選擇相對合適的，而平行計算過程中必然存在乙個資料量的閥值，在閥值上modin與pandas效能相同。而導致modin與pandas出現差異的原因是什麼呢？下面我們就一起來**下

3.modin效能優化的原理

在具有 4 個 cpu 核心的現代筆記本上處理適用於該機器的資料幀時，pandas 僅僅使用了 1 個 cpu 核心，而 modin 則能夠使用全部 4 個核心。

在多核條件下，modin可以充分提公升cpu的利用率，使資料處理效率大大提公升。

modin擁有兩種分布式計算框架分別是desk和ray，在不進行提前設定時，modin預設使用ray，ray是一種應用於機器學習與強化學習場景的分布式執行框架，可以實現多端分布式計算，從而提公升效能，而在單台伺服器上又可以以多程序的方式實現平行計算，並完美與modin相結合實現對pandas操作的並行加速。

現今，ray只適用於mac與linux環境下，不支援windows相關操作

modin針對並行操作所做的優化分別體現在對dataframe資料型別的切割與特徵分離。我們可以簡單的理解為針對dataframe行與列的拆分，將拆分後的dataframe分配到不同的cpu核心中進行計算，再將計算結果相互組合還原，從而實現平行計算。

使用modin針對pandas進行效能優化

Python資料分析 pandas針對字串操作

Pandas使用總結

pandas 高階使用

使用modin針對pandas進行效能優化

Python資料分析 pandas針對字串操作

Pandas使用總結

pandas 高階使用

相關推薦