速度起飞！替代 pandas 的八个神库

2023-02-28

数据速度 dask

大家好，之前介绍过不少关于pandas性能加速的技巧，但这些技巧再厉害，整体运行速度方面也会遇到瓶颈。本篇介绍8个可以替代pandas的库，在加速技巧之上，再次打开速度瓶颈，大大提升数据处理的效率。1.DaskDask在大于内存的数据集上提供多核和分布式并行执行。在Dask中，一个DataFrame

大家好，

之前介绍过不少关于pandas性能加速的技巧，但这些技巧再厉害，整体运行速度方面也会遇到瓶颈。

本篇介绍 8 个可以替代pandas的库，在加速技巧之上，再次打开速度瓶颈，大大提升数据处理的效率。

1. Dask

Dask在大于内存的数据集上提供多核和分布式并行执行。

在Dask中，一个DataFrame是一个大型且并行的DataFrame，由许多较小的 pandas DataFrames组成，沿索引拆分。

这些 pandas DataFrames 可以存在于单个机器上的磁盘中计算远超于内存的计算，或者存在集群中的很多不同机器上完成。一个 Dask DataFrame 操作会触发所有 Pandas DataFrames 的操作。

Dask-ML支持pandas、Numpy、Sklearn、XGBoost、XArray、RAPIDS等等，对于常用的数据处理、建模分析是完全够用的。

# 安装dask
pip install dask
# 导入dask dataframe
import dask.dataframe as dd1.
2.
3.
4.

原理、使用可参考这篇：安利一个Python大数据分析神器Dask！

2. Modin

Modin是一个多进程的Dataframe库，可以加速Pandas的工作流程。多进程意味着，如果在多核的计算机上查询速度就会成倍的提升。

Modin具有与pandas相同的API，使用上只需在import导入时修改一下，其余操作一模一样。

# 导入 modin pandas
import modin.pandas as pd1.
2.

原理、安装、使用可参考这篇：pandas慢怎么办？来试试Modin

3. Data Table

Datatable是一个用于处理表格数据的 Python 库。

与pandas的使用上很类似，但更侧重于速度和大数据的支持。在单节点的机器上，无论是读取数据，还是数据转换等操作，速度均远胜于pandas。

如果不是分布式而是单节点处理数据，遇到内存不够或者速度慢，也不妨试试这个库。

使用文档：https://datatable.readthedocs.io/en/latest/start/quick-start.html

4. Polars

Polars是使用 Apache Arrow Columnar Format 作为内存模型在 Rust 中实现的速度极快的 DataFrames 库。

# 安装 polars
pip install polars
# 导入 polars
import polars as pl1.
2.
3.
4.

使用文档：https://pola-rs.github.io/polars-book/user-guide/index.html

5. Vaex

Vaex 也是一个开源的 DataFrame，它采用内存映射、高效的核外算法和延迟计算等技术。

对于大数据集而言，只要磁盘空间可以装下数据集，使用Vaex就可以对其进行分析，解决内存不足的问题。

它的各种功能函数也都封装为类 Pandas 的 API，几乎没有学习成本。

可参考这篇文章：0.052 秒打开 100GB 数据，这个Python开源库火爆了！

6. Pyspark

Pyspark 是 Apache Spark 的 Python API，通过分布式计算处理大型数据集。

# 安装
pip install pyspark
# 导入
from pyspark.sql import SparkSession, functions as f
spark = SparkSession.builder.appName("SimpleApp").getOrCreate()
df = spark.read.option('header', True).csv('../input/yellow-new-yo1.
2.
3.
4.
5.
6.

由于spark在速度上较hadoop更有优势，现在很多企业的大数据架构都会选择使用spark。

7. Koalas

Koalas 是在 Apache Spark 之上实现的pandas DataFrame API，让数据分析更高效。

由于 Koalas 是在 Apache Spark 之上运行的，因此还必须安装 Spark。

# 安装
pip install pyspark
pip install koalas
# 导入
import databricks.koalas as ks
from pyspark.sql import SparkSession1.
2.
3.
4.
5.
6.

使用文档：https://koalas.readthedocs.io/en/latest/index.html

8. cuDF

cuDF 是一个 Python GPU DataFrame 库，基于 Apache Arrow 列式内存格式构建，用于数据操作。

cuDF 提供类 pandas 的 API，因此数据分析师也是无需了解 CUDA 编程细节的。

import cudf, io, requests
from io import StringIO
url = "https://github.com/plotly/datasets/raw/master/tips.csv"
content = requests.get(url).content.decode('utf-8')
tips_df = cudf.read_csv(StringIO(content))
tips_df['tip_percentage'] = tips_df['tip'] / tips_df['total_bill'] * 100
print(tips_df.groupby('size').tip_percentage.mean())1.
2.
3.
4.
5.
6.
7.