全平台都能用的 pandas 运算加速神器

“

阅读本文大概需要 3 分钟。

”

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，pandasVSmodin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毕竟是一个处于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。

-END-

本文示例代码于Github仓库https://github.com/CNFeffery/DataScienceStudyNotes

推荐阅读

1

2

3

4

崔庆才

静觅博客博主，《Python3网络爬虫开发实战》作者

隐形字

个人公众号：进击的Coder

长按识别二维码关注