使用PyPolars，讓Pandas快三倍

作者：布加迪 2021-09-08 08:00:00

本文介紹如何使用PyPolars庫(kù)加快Pandas工作流程。

【51CTO.com快譯】Pandas是數(shù)據(jù)科學(xué)家處理數(shù)據(jù)的最重要的Python軟件包之一。Pandas庫(kù)主要用于數(shù)據(jù)探索和可視化，它隨帶大量的內(nèi)置函數(shù)。Pandas無(wú)法處理大型數(shù)據(jù)集，因?yàn)樗鼰o(wú)法在CPU的所有核心上擴(kuò)展或分布進(jìn)程。

為了加快計(jì)算速度，您可以使用CPU的所有核心，并加快工作流程。有各種開源庫(kù)，包括Dask、Vaex、Modin、Pandarallel和PyPolars等，它們可以在CPU的多個(gè)核心上并行處理計(jì)算。我們?cè)诒疚闹袑⒂懻揚(yáng)yPolars庫(kù)的實(shí)現(xiàn)和用法，并將其性能與Pandas庫(kù)進(jìn)行比較。

PyPolars是什么?

PyPolars是一個(gè)類似Pandas的開源Python數(shù)據(jù)框庫(kù)。PyPolars利用CPU的所有可用核心，因此處理計(jì)算比Pandas更快。PyPolars有一個(gè)類似Pandas的API。它是用Rust和Python包裝器編寫的。

理想情況下，當(dāng)數(shù)據(jù)對(duì)于Pandas而言太大、對(duì)于Spark而言太小時(shí)，使用 PyPolars。

PyPolars如何工作?

PyPolars庫(kù)有兩個(gè)API，一個(gè)是Eager API，另一個(gè)是Lazy API。Eager API與Pandas的API非常相似，執(zhí)行完成后立即獲得結(jié)果，這類似Pandas。Lazy API與Spark非常相似，一執(zhí)行查詢，就形成地圖或方案。然后在CPU的所有核心上并行執(zhí)行。

圖1. PyPolars API

PyPolars基本上是連接到Polars庫(kù)的Python綁定。PyPolars庫(kù)好用的地方是，其API與Pandas相似，這使開發(fā)人員更容易使用。

安裝：

可以使用以下命令從PyPl安裝 PyPolars：

pip install py-polars

并使用以下命令導(dǎo)入庫(kù)：

iport pypolars as pl

基準(zhǔn)時(shí)間約束：

為了演示，我使用了一個(gè)含有2500萬(wàn)個(gè)實(shí)例的大型數(shù)據(jù)集(~6.4Gb)。

圖2. Pandas和Py-Polars基本操作的基準(zhǔn)時(shí)間數(shù)

針對(duì)使用Pandas和PyPolars庫(kù)的一些基本操作的上述基準(zhǔn)時(shí)間數(shù)，我們可以觀察到 PyPolars幾乎比Pandas快2到3倍。

現(xiàn)在我們知道PyPolars有一個(gè)與Pandas非常相似的API，但仍沒(méi)有涵蓋Pandas的所有函數(shù)。比如說(shuō)，PyPolars中就沒(méi)有.describe()函數(shù)，相反我們可以使用df_pypolars.to_pandas().describe()。

用法：

import pandas as pd 
import numpy as np 
import pypolars as pl 
import time 
WARNING! 
py-polars was renamed to polars, please install polars! 
https://pypi.org/project/polars/ 
 
path = "data.csv"

讀取數(shù)據(jù)：

s = time.time() 
df_pandas = pd.read_csv(path) 
e = time.time() 
pd_time = e - s 
print("Pandas Loading Time = {}".format(pd_time)) 
C:\ProgramData\Anaconda3\lib\site-packages\IPython\core\interactiveshell.py:3071: DtypeWarning: Columns (2,7,14) have mixed types.Specify dtype option on import or set low_memory=False. 
  has_raised = await self.run_ast_nodes(code_ast.body, cell_name, 
Pandas Loading Time = 217.1734380722046 
 
s = time.time() 
df_pypolars = pl.read_csv(path) 
e = time.time() 
pl_time = e - s  
print("PyPolars Loading Time = {}".format(pl_time)) 
PyPolars Loading Time = 114.0408570766449

shape：

s = time.time() 
print(df_pandas.shape) 
e = time.time() 
pd_time = e - s 
print("Pandas Shape Time = {}".format(pd_time)) 
(25366521, 19) 
Pandas Shape Time = 0.0 
 
s = time.time() 
print(df_pypolars.shape) 
e = time.time() 
pl_time = e - s  
print("PyPolars Shape Time = {}".format(pl_time)) 
(25366521, 19) 
PyPolars Shape Time = 0.0010192394256591797

過(guò)濾：

s = time.time() 
temp = df_pandas[df_pandas['PAID_AMT']>500] 
e = time.time() 
pd_time = e - s 
print("Pandas Filter Time = {}".format(pd_time)) 
Pandas Filter Time = 0.8010377883911133 
 
s = time.time() 
temp = df_pypolars[df_pypolars['PAID_AMT']>500] 
e = time.time() 
pl_time = e - s  
print("PyPolars Filter Time = {}".format(pl_time)) 
PyPolars Filter Time = 0.7790462970733643

Groupby：

s = time.time() 
temp = df_pandas.groupby(by="MARKET_SEGMENT").agg({'PAID_AMT':np.sum, 'QTY_DISPENSED':np.mean}) 
e = time.time() 
pd_time = e - s 
print("Pandas GroupBy Time = {}".format(pd_time)) 
Pandas GroupBy Time = 3.5932095050811768 
 
s = time.time() 
temp = df_pypolars.groupby(by="MARKET_SEGMENT").agg({'PAID_AMT':np.sum, 'QTY_DISPENSED':np.mean}) 
e = time.time() 
pd_time = e - s 
print("PyPolars GroupBy Time = {}".format(pd_time)) 
PyPolars GroupBy Time = 1.2332513110957213

運(yùn)用函數(shù)：

%%time 
 
s = time.time() 
temp = df_pandas['PAID_AMT'].apply(round) 
e = time.time() 
pd_time = e - s 
print("Pandas Loading Time = {}".format(pd_time)) 
Pandas Loading Time = 13.081078290939331 
Wall time: 13.1 s 
 
s = time.time() 
temp = df_pypolars['PAID_AMT'].apply(round) 
e = time.time() 
pd_time = e - s 
print("PyPolars Loading Time = {}".format(pd_time)) 
PyPolars Loading Time = 6.03610580444336

值計(jì)算：

%%time 
 
s = time.time() 
temp = df_pandas['MARKET_SEGMENT'].value_counts() 
e = time.time() 
pd_time = e - s 
print("Pandas ValueCounts Time = {}".format(pd_time)) 
Pandas ValueCounts Time = 2.8194501399993896 
Wall time: 2.82 s 
 
%%time 
 
s = time.time() 
temp = df_pypolars['MARKET_SEGMENT'].value_counts() 
e = time.time() 
pd_time = e - s 
print("PyPolars ValueCounts Time = {}".format(pd_time)) 
PyPolars ValueCounts Time = 1.7622406482696533 
Wall time: 1.76 s

描述：

%%time 
 
s = time.time() 
temp = df_pandas.describe() 
e = time.time() 
pd_time = e - s 
print("Pandas Describe Time = {}".format(pd_time)) 
Pandas Describe Time = 15.48347520828247 
Wall time: 15.5 s 
 
%%time 
 
s = time.time() 
temp = df_pypolars[temp_cols].to_pandas().describe() 
e = time.time() 
pd_time = e - s 
print("PyPolars Describe Time = {}".format(pd_time)) 
PyPolars Describe Time = 44.31892013549805 
Wall time: 44.3 s

去重：

%%time 
 
s = time.time() 
temp = df_pandas['MARKET_SEGMENT'].unique() 
e = time.time() 
pd_time = e - s 
print("Pandas Unique Time = {}".format(pd_time)) 
Pandas Unique Time = 2.1443397998809814 
Wall time: 2.15 s 
 
%%time 
 
s = time.time() 
temp = df_pypolars['MARKET_SEGMENT'].unique() 
e = time.time() 
pd_time = e - s 
print("PyPolars Unique Time = {}".format(pd_time)) 
PyPolars Unique Time = 1.0320448875427246 
Wall time: 1.03 s

保存數(shù)據(jù)：

s = time.time() 
df_pandas.to_csv("delete_1May.csv", index=False) 
e = time.time() 
pd_time = e - s 
print("Pandas Saving Time = {}".format(pd_time)) 
Pandas Saving Time = 779.0419402122498 
 
s = time.time() 
df_pypolars.to_csv("delete_1May.csv") 
e = time.time() 
pd_time = e - s 
print("PyPolars Saving Time = {}".format(pd_time)) 
PyPolars Saving Time = 439.16817021369934

結(jié)論

我們?cè)诒疚闹泻?jiǎn)要介紹了PyPolars庫(kù)，包括它的實(shí)現(xiàn)、用法以及在一些基本操作中將其基準(zhǔn)時(shí)間數(shù)與Pandas相比較的結(jié)果。請(qǐng)注意，PyPolars的工作方式與Pandas非常相似， PyPolars是一種節(jié)省內(nèi)存的庫(kù)，因?yàn)樗С值膬?nèi)存是不可變內(nèi)存。

可以閱讀說(shuō)明文檔詳細(xì)了解該庫(kù)。還有其他各種開源庫(kù)來(lái)并行處理Pandas操作，并加快進(jìn)程。