【Python】Modin，只需一行代码加速你的Pandas

Modin是一个Python第三方库，可以通过并行来处理大数据集。它的语法和pandas非常相似，因其出色的性能，能弥补Pandas在处理大数据上的缺陷。

本文会解释何时该用Modin处理数据，并给出Modin的一些真实案例。

下文内容主要包括：

1. 为什么需要Modin？
2. Modin厉害在哪里？
3. Modin使用方法
4. 对比Modin和Pandas
5. 对比Modin和其他加速库有何不同？

• Modin VS Vaex
• Modin VS Dask
• Modin VS cuDF

为什么需要Modin？

Pandas是python数据分析最常用的工具库，数据科学领域的大明星。

Pandas受欢迎的原因在于它简洁易用的API，并且集成了Numpy、Matplotlib、Scipy等众多数据科学库，堪称Python+SQL+Excel的结合体。

但Pandas并不是完美的，大数据是它的软肋。

由于设计原因，Pandas只能在单核上运行，数据处理能力有限。目前大部分计算机虽都是多核CPU，Pandas却心有余而力不足，无法用到多核。

正因为大多人都熟悉了Pandas的语法结构，所以想换一种新的数据分析库并不容易，会增加很多的学习成本。

如果在保留Pandas语法和API的前提下，又能增加大数据处理能力，这将会一个完美的解决方案。

Modin就是这样一个存在。只要你有使用Pandas的经验，就可以轻松上手Modin。

Modin厉害在哪里？

Modin是一个Python第三方库，可以弥补Pandas在大数据处理上的不足，同时能将代码速度提高4倍左右。

Modin以Ray或Dask作为后端运行。

❝

Ray是基于python的并行计算和分布式执行引擎。
Dask是一个高性能并行分析库，帮助Pandas、Numpy处理大规模数据。

❞

那Modin有何特别之处呢？

与pandas不同，Modin能使用计算机中所有的CPU内核，让代码并行计算。

当用4个进程而不是一个进程（如pandas）运行相同的代码时，所花费的时间会显著减少。

Modin的主要特点：

1. 使用DataFrame作为基本数据类型；
2. 与Pandas高度兼容，语法相似，几乎不需要额外学习；
3. 能处理1MB到1TB+的数据；
4. 使用者不需要知道系统有多少内核，也不需要指定如何分配数据；

Modin使用方法

首先要安装Modin，使用pip安装即可。

前面说过，Modin使用Ray或Dask作为后端，在这里我们使用 dask，命令行输入以下代码同时安装Modin和Dask：

pip install modin[dask]

接下来是导入Modin，这是重点。

Modin宣称改一行代码就可以加速pandas，只需将：

import pandas as pd

改为

import modin.pandas as pd

除了速度更快外，其他要用的的语法、api和Pandas一模一样。

我们来试试分别用Modin和pandas读取200MB的CSV文件，看哪个速度更快。

# 使用pandas读取数据
import pandas as pd
import time
s = time.time()
df = pd.read_csv("test.csv")
e = time.time()
print("Pandas读取时间 = {}".format(e-s))

# 使用Modin读取数据
import modin.pandas as pd

s = time.time()
df = pd.read_csv("test.csv")
e = time.time()
print("Modin读取时间 = {}".format(e-s))

返回：

Pandas是3.3秒，Modin是1.9秒，速度快了接近1倍。

我的电脑是4核CPU，Modin加载过程中所有内核都被用上了。如果用8核来跑，加载时间更少。

对比Modin和Pandas

1. read_csv

简单对比了Modin和Pandas读取200M文件后，我们再试下读取1GB的CSV文件有多大差异。

pandas：

# 使用pandas读取数据
import pandas as pd
import time
s = time.time()
df = pd.read_csv("test1.csv")
e = time.time()
print("Pandas读取时间 = {}".format(e-s))

输出：

Pandas读取时间 = 11.298792123794556

# 使用Modin读取数据
import modin.pandas as pd

s = time.time()
df = pd.read_csv("test1.csv")
e = time.time()
print("Modin读取时间 = {}".format(e-s))

输出：

Modin读取时间 = 7.6007184982299805

处理GB级的数据，Modin的优势也是显而易见的，当然处理时间会随计算机的不同有差异。

2. append()

append在Pandas中用来添加新行，我们来看看Modin和Pandas做append操作时的速度差异。

Pandas:

# 使用pandas读取数据，200M文件
import pandas as pd
import time
df_pandas = pd.read_csv("test.csv")
s = time.time()
result = df_pandas.append(df_pandas)
e = time.time()
print("Pandas append时间 = {}".format(e-s))

输出：

Pandas append时间 = 1.242678165435791

Modin：

# 使用Modin读取数据，200M文件
import modin.pandas as pd
df_modin = pd.read_csv("test.csv")
s = time.time()
result = df_modin.append(df_modin)
e = time.time()
print("Modin append时间 = {}".format(e-s))

输出：

Modin append时间 = 0.2613077163696289

Pandas用时1.2秒，Modin用时0.2秒。

3. Concat()

concat用来拼接多个DataFrame，也来测试一下差异。

Pandas:

# 使用pandas读取数据，200M文件
import pandas as pd
import time
df_pandas = pd.read_csv("test.csv")
s = time.time()
result = pd.concat([df_pandas]*5)
e = time.time()
print("Pandas concat时间 = {}".format(e-s))

输出：

Pandas concat时间 = 3.705094337463379

Modin：

# 使用Modin读取数据，200M文件
import modin.pandas as pd
df_modin = pd.read_csv("test.csv")
s = time.time()
result = pd.concat([df_modin]*5)
e = time.time()
print("Modin concat时间 = {}".format(e-s))

输出：

Modin concat时间 = 0.5255951881408691

Pandas用时3.7秒，Modin用时0.5秒。

通过上面3个函数的比较，Modin在使用append、concat等方法上要比Pandas快5倍以上

对比Modin和其他加速库有何不同？

现在有很多库可以实现对Pandas的加速，比如Dask、Vaex、Ray、CuDF等，Modin和这些库对比有什么样的优势呢？

「Modin Vs Vaex」

Modin可以说是Pandas的加速版本，几乎所有功能通用。

Vaex的核心在于惰性加载，类似spark，但它有独立的一套语法，使用起来和Pandas差异很大。

如果你已经写好基于pandas的脚本，只是想加速运行代码，那么Modin是最佳选择。如果你只是想简单统计或可视化大数据集，可以考虑Vaex。

「Modin Vs Dask」

Dask既可以作为Modin的后端引擎，也能单独并行处理DataFrame，提高数据处理速度。

但Dask对Pandas并没有很好的兼容性，没办法像Modin那样，只需改变一行代码，就可以轻松使用Pandas处理大数据集。

「Modin vs. RAPIDS (cuDF)」

RAPIDS加速效果非常好，但它需要有GPU的加持，没有Modin那么便捷。