对于Pandas运行速度的提升方法,之前已经介绍过很多回了,里面经常提及 Dask ,很多朋友没接触过可能不太了解,今天就推荐一下这个神器。 Pandas和Numpy大家都不陌生了,代码运行后数据都加载到RAM中,如果数据集特别大,我们就会看到内存飙升。但有时要处理的数据并不适合RAM,这时候Dask来了。 Dask是开源免费的。它是与其他社区项目(如Numpy,Pandas和Scikit-Learn)协调开发的。 Dask支持Pandas的DataFrame和NumpyArray的数据结构,并且既可在本地计算机上运行,也可以扩展到在集群上运行。 基本上,只要编写一次代码,使用普通的Pythonic语法,就可在本地运行或部署到多节点集群上。 这本身就是一个很牛逼的功能了,但这还不是最牛逼的。 我觉得Dask的最牛逼的功能是:它兼容大部分我们已经在用的工具,并且只需改动少量的代码,就可以利用自己笔记本电脑上已有的处理能力并行运行代 码 。 而 并行处理数据就意味着更少的执行时间,更少的等待时间和更多的分析时间。 这一点也是我比较看中的,因为Dask可以与Python数据处理和建模的库包兼容,沿用库包的API,这对于Python使用者来说学习成本是极低的。而像Hadoop、Spark这种大数据处理是有很高的学习门槛和时间成本的。 目前,Dask可支持pandas、Numpy、Sklearn、XGBoost、XArray、RAPIDS等等,光是这几项我觉得就足够用了,至少对于常用的数据处理、建模分析是完全覆盖得掉的。 可以使 用 conda 或者 pip, 或从源代码安装dask 。 因为dask有很多依赖,所以为了快速安装也可用下面代码,将安装运行Dask所需的最少依赖关系集。 git clone https://github.com/dask/dask.gitcd dask python -m pip install . Dask引入了3个并行集合,它们可以存储大于RAM的数据,这些集合有 DataFrame、Bags、Arrays 。这些集合类型中的每一个都能够使用在RAM和硬盘之间分区的数据,以及分布在群集中多个节点上的数据。 Dask的使用是非常清晰的, 如果你使用NumPy数组,就从Dask 数组开始, 如果你使用Pandas DataFrame,就从Dask DataFrame开始,依此类推。 import dask.array as da x = da.random.uniform(low=0 , high=10 , size=(10000 , 10000 ), # normal numpy code chunks=(1000 , 1000 )) # break into chunks of size 1000x1000 y = x + x.T - x.mean(axis=0 ) # Use normal syntax for high level algorithms # DataFrames import dask.dataframe as dd df = dd.read_csv('2018-*-*.csv' , parse_dates='timestamp' , # normal Pandas code blocksize=64000000 ) # break text into 64MB chunks s = df.groupby('name' ).balance.mean() # Use normal syntax for high level algorithms # Bags / lists import dask.bag as db b = db.read_text('*.json' ).map(json.loads) total = (b.filter(lambda d: d['name' ] == 'Alice' ) .map(lambda d: d['balance' ]) .sum())这些高级接口在略微变化的情况下复制了标准接口。对于原始项目中的大部分API ,这些接口会自动为我们并行处理较大的数据 集,实现上不是很复杂,对照Dask的doc文档即可一步步完成。 下面说一下Dask的 Delay 功能,非常强大。Dask.delayed是一种并行化现有代码的简单而强大的方法。之所以被叫做delayed是因为,它没有立即计算出结果,而是将要作为任务计算的结果记录在一个图形中,稍后将在并行硬件上运行。 有时问题用已有的dask.array或dask.dataframe可能都不适合,在这些情况下,我们可以使用更简单的dask.delayed界面并行化自定义算法 。例如下面这个例子。 def inc(x): return x + 1 def double(x): return x * 2 def add(x, y): return x + y data = [1 , 2 , 3 , 4 , 5 ] output = []for x in data: a = inc(x) b = double(x) c = add(a, b) output.append(c) total = sum(output)45 上面代码在单个线程中按顺序运行。但是,我们看到其中很多可以并行执行。Dask delayed函数可修饰inc、double这些函数,以便它们可延迟运行,而不是立即执行函数,它将函数及其参数放入计算任务图中。 import dask output = []for x in data: a = dask.delayed(inc)(x) b = dask.delayed(double)(x) c = dask.delayed(add)(a, b) output.append(c) total = dask.delayed(sum)(output)代码运行后inc、double、add和sum都还没有发生,而是生成一个计算的任务图交给了total。 然后我们用visualizatize看下任务图。 上图明显看到了并行的可能性,所以毫不犹豫,使用compute进行并行计算, 这时才完成了计算。 由于数据集较小无法比较时间,这里只介绍下使用方法,具体可自己动手实践下。 关于机器学习的并行化执行,由于内容较多,东哥会在另一篇文章展开。这里简单说下一下dask-learn。 dask-learn项目 是与Sklearn开发人员协作完成的。现在可实现并行化有Scikit-learn的Pipeline、GridsearchCV和RandomSearchCV以及这些的变体,它们可以更好地处理嵌套的并行操作。 因此,如果你将sklearn替换为dklearn,那么速度将会提升很多。 # from sklearn.grid_search import GridSearchCV from dklearn.grid_search import GridSearchCV# from sklearn.pipeline import Pipeline from dklearn.pipeline import Pipeline下面是一个使用Pipeline的示例,其中应用了PCA和逻辑回归。 from sklearn.datasets import make_classification X, y = make_classification(n_samples=10000 , n_features=500 , n_classes=2 , n_redundant=250 , random_state=42 )from sklearn import linear_model, decompositionfrom sklearn.pipeline import Pipelinefrom dklearn.pipeline import Pipeline logistic = linear_model.LogisticRegression() pca = decomposition.PCA() pipe = Pipeline(steps=[('pca' , pca), ('logistic' , logistic)]) grid = dict(pca__n_components=[50 , 100 , 150 , 250 ], logistic__C=[1e-4 , 1.0 , 10 , 1e4 ], logistic__penalty=['l1' , 'l2' ])# from sklearn.grid_search import GridSearchCV from dklearn.grid_search import GridSearchCV estimator = GridSearchCV(pipe, grid) estimator.fit(X, y)结果是:sklearn会在40秒钟左右执行此计算,而dask-learn替代品大约需要10秒钟。 另外,如果添加以下代码可以连接到集群,通过Client可以展示整个计算过程的dashboard,由Bokeh实现。 from dask.distributed import Client c = Client('scheduler-address:8786' )
以上就是Dask的简单介绍,Dask的功能是非常强大的,且说明文档也非常全,既有示例又有解释。感兴趣的朋友可以自行去官网或者GitHub学习,东哥下次分享使用Dask进行机器学习的一些实例。 赠送书籍《 Python机器学习一本通 》5本!由「 北京大学 出版社」赞助提供,如果等不及也可以入手一本学习。
介绍: Python机器学习一本通》全书共20章,分为5篇。其中1篇为基础入门篇,主要讲述Python机器学习入门、设置机器学习的环境、机器学习基础和统计分析数学基础等内容;第2篇为数据预处理篇,主要讲述了产生和加载数据集、数据预处理等内容;第3篇为机器学习算法篇,主要讲述了回归分析、决策树分析、支持向量机、聚类分析、集成学习、神经网络学习、卷积网络学习和模型评价等内容。
参与方式:本篇文章 底部「点赞」+「 在看 」+「 留言 」,文章内容相关的优质留言才可上墙!留言点赞数量最多 前5位 读者将获得这本书, 截止时间「 9 月30日20:00」 ,最终获赠者通过留言联系我。 Windows给力!可以扔掉Linux虚拟机了!
你只管打开这个网站,剩下的交给「卧槽」
膜拜!来自Kaggle金牌大佬的 Python数据挖掘框架!
全新 Edge 真香!它注定会成为最佳浏览器
Jupyter 平台最强插件,没有之一!
太可怕了!这个 Jupyter 插件可能会让我失业!
牛逼!一行代码让pandas的apply速度飙到极致!