安利一个Python大数据分析神器!Python技术关注共 4650字,需浏览 10分钟 ·2021-02-04 08:03 来源:Python数据科学作者:东哥起飞对于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。1、什么是Dask?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。官方:https://dask.org/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。下面这个就是Dask进行数据处理的大致流程。2、Dask支持哪些现有工具?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。3、Dask安装可以使用 conda 或者 pip,或从源代码安装dask 。conda install 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。conda install dask-core再有就是通过源来安装。git clone https://github.com/dask/dask.gitcd daskpython -m pip install .4、Dask如何使用?Numpy、pandasDask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 dax = da.random.uniform(low=0, high=10, size=(10000, 10000), # normal numpy code chunks=(1000, 1000)) # break into chunks of size 1000x1000y = x + x.T - x.mean(axis=0) # Use normal syntax for high level algorithms# DataFramesimport dask.dataframe as dddf = dd.read_csv('2018-*-*.csv', parse_dates='timestamp', # normal Pandas code blocksize=64000000) # break text into 64MB chunkss = df.groupby('name').balance.mean() # Use normal syntax for high level algorithms# Bags / listsimport dask.bag as dbb = 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。Delayed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 + 1def double(x): return x * 2def add(x, y): return x + ydata = [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。我们简单修改代码,用delayed函数包装一下。import daskoutput = []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。total.visualize() 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。>>> total.compute()45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。Sklearn机器学习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_classificationX, 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 Pipelinelogistic = 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 GridSearchCVfrom dklearn.grid_search import GridSearchCVestimator = 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 Clientc = Client('scheduler-address:8786')5、总结以上就是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。PS:公号内回复「Python」即可进入Python 新手学习交流群,一起 100 天计划!老规矩,兄弟们还记得么,右下角的 “在看” 点一下,如果感觉文章内容不错的话,记得分享朋友圈让更多的人知道!【神秘礼包获取方式】识别文末二维码,回复:1024 浏览 29点赞 评论 收藏 分享 手机扫一扫分享分享 举报 评论图片表情视频评价全部评论推荐 安利一个Python大数据分析神器!python之禅0安利一个Python大数据分析神器!小数志0安利一个提升python数据分析效率的神器Crossin的编程教室0Surus大数据分析集合Surus是Pig和Hive的分析集合,包括以下功能:ScorePMML-云评测模型工具RobustAnomalyDetection(RAD)-健壮的PCA实现人流大数据分析系统为校园、商场、门店提供智慧校园、智慧商场、智慧门店一体化解决方案;核心功能:人流统计,客户画像分析,人员名单库预警,无感考勤,客户到店提醒,客户行为预测,大数据分析;提高校园管理服务水平、优化商场经营策略、提升商场门店购物体验。卧槽,又来一个Python神器!!小数志0卧槽,又来一个Python神器!!俊红的数据分析之路0卧槽,又来一个Python神器!!杰哥的IT之旅0安利个神器, Python 脚本打包 exe!恋习Python0【Python基础】安利3个Python数据分析EDA神器!机器学习初学者0点赞 评论 收藏 分享 手机扫一扫分享分享 举报