愛了愛了！0.052 秒打開 100GB 數(shù)據(jù)，這個 Python 開源庫火爆了！

“

閱讀本文大概需要 3 分鐘。

”

編譯?|?AI 科技大本營（ID:rgznai100）

許多組織都在嘗試收集和利用盡可能多的數(shù)據(jù)，以改善其經(jīng)營方式，增加收入和提升影響力。因此，數(shù)據(jù)科學(xué)家面對 50GB 甚至 500GB 大小的數(shù)據(jù)集情況變得越來越普遍。

?

不過，這類數(shù)據(jù)集使用起來不太容易。它們足夠小，可以裝入日常筆記本電腦的硬盤驅(qū)動器中，但同時大到無法裝入 RAM，導(dǎo)致它們已經(jīng)很難打開和檢查，更不用說探索或分析了。

?

處理此類數(shù)據(jù)集時，通常采用 3 種策略。

?

第一種是對數(shù)據(jù)進(jìn)行二次采樣，但缺點很明顯：你可能因為忽視相關(guān)部分?jǐn)?shù)據(jù)而錯過關(guān)鍵洞察，甚至更糟的是，這會誤解了數(shù)據(jù)所闡釋的含義。

?

第二種策略是使用分布式計算。在某些情況下這是一種有效的方法，但它需要管理和維護(hù)集群的大量開銷。

?

又或者，你可以租用一個強(qiáng)大的云實例，該實例具有處理相關(guān)數(shù)據(jù)所需的內(nèi)存。例如，AWS 提供具有 TB 級 RAM 的實例。在這種情況下，你仍然必須管理云數(shù)據(jù)存儲區(qū)，每次實例啟動時，都需要等待數(shù)據(jù)從存儲空間傳輸?shù)綄嵗?，同時，還要考慮將數(shù)據(jù)存儲在云上的合規(guī)性問題，以及在遠(yuǎn)程計算機(jī)上工作帶來的不便。更不別說成本，盡管一開始成本很低，但后續(xù)往往會增加。

?

Vaex 是解決這個問題的新方法。它是一種幾乎可以對任意大小的數(shù)據(jù)進(jìn)行數(shù)據(jù)科學(xué)研究的更快、更安全、更方便的方法，只要數(shù)據(jù)集可以安裝在你的筆記本電腦，臺式機(jī)或服務(wù)器硬盤上。

什么是 Vaex？

?

Vaex 是一個開源的 DataFrame 庫（類似于 Pandas），對和你硬盤空間一樣大小的表格數(shù)據(jù)集，它可以有效進(jìn)行可視化、探索、分析甚至進(jìn)行實踐機(jī)器學(xué)習(xí)。

?

它可以在 N 維網(wǎng)格上計算每秒超過十億（10^9）個對象 / 行的統(tǒng)計信息，例如均值、總和、計數(shù)、標(biāo)準(zhǔn)差等?。使用直方圖、密度圖和三維體繪制完成可視化，從而可以交互式探索大數(shù)據(jù)。Vaex 使用內(nèi)存映射、零內(nèi)存復(fù)制策略獲得最佳性能（不浪費內(nèi)存）。

?

為實現(xiàn)這些功能，Vaex 采用內(nèi)存映射、高效的核外算法和延遲計算等概念。所有這些都封裝為類 Pandas 的 API，因此，任何人都能快速上手。

?

十億級計程車的數(shù)據(jù)分析

為了說明這一概念，讓我們對一個數(shù)據(jù)集進(jìn)行簡單的探索性數(shù)據(jù)分析，該數(shù)據(jù)集并不適合典型筆記本電腦的 RAM。

?

本文中將使用紐約市（NYC）出租車數(shù)據(jù)集，其中包含標(biāo)志性的黃色出租車在 2009 年至 2015 年之間進(jìn)行的超過 10 億次出行的信息。數(shù)據(jù)可以從網(wǎng)站（https://www1.nyc.gov/site/tlc/about/tlc-trip-record-data.page）下載，并且為 CSV 格式。完整的分析可以在此 Jupyter 筆記本中單獨查看（https://nbviewer.jupyter.org/github/vaexio/vaex-examples/blob/master/medium-nyc-taxi-data-eda/vaex-taxi-article.ipynb）。

為什么要選擇 vaex？

• 性能：處理海量表格數(shù)據(jù)，每秒處理超過十億行
• 虛擬列：動態(tài)計算，不浪費內(nèi)存
• 高效的內(nèi)存在執(zhí)行過濾 / 選擇 / 子集時沒有內(nèi)存副本。
• 可視化：直接支持，單線通常就足夠了。
• 用戶友好的 API：只需處理一個數(shù)據(jù)集對象，制表符補(bǔ)全和 docstring 可以幫助你：ds.mean，類似于 Pandas。
• 精益：分成多個包
• Jupyter 集成：vaex-jupyter 將在 Jupyter 筆記本和 Jupyter 實驗室中提供交互式可視化和選擇。

?

第一步是將數(shù)據(jù)轉(zhuǎn)換為內(nèi)存可映射文件格式，例如 Apache Arrow，Apache Parquet 或 HDF5。在此處也可以找到如何將 CSV 數(shù)據(jù)轉(zhuǎn)換為 HDF5 的示例。數(shù)據(jù)變?yōu)閮?nèi)存可映射格式后，即使在磁盤上的大小超過 100GB，也可以使用 Vaex 即時打開（只需 0.052 秒?。?/span>

為什么這么快？當(dāng)使用 Vaex 打開內(nèi)存映射文件時，實際上沒有進(jìn)行任何數(shù)據(jù)讀取。Vaex 僅讀取文件的元數(shù)據(jù)，例如磁盤上數(shù)據(jù)的位置，數(shù)據(jù)結(jié)構(gòu)（行數(shù)、列數(shù)、列名和類型），文件說明等。那么，如果我們要檢查數(shù)據(jù)或與數(shù)據(jù)交互怎么辦？打開數(shù)據(jù)集會生成一個標(biāo)準(zhǔn)的 DataFrame 并對其進(jìn)行快速檢查：

注意，單元執(zhí)行時間太短了。這是因為顯示 Vaex DataFrame 或列僅需要從磁盤讀取前后 5 行數(shù)據(jù)。這將我們引向另一個重點：Vaex 只會在需要時遍歷整個數(shù)據(jù)集，并且會嘗試通過盡可能少的數(shù)據(jù)傳遞來做到這一點。

無論如何，讓我們從極端異常值或錯誤數(shù)據(jù)輸入值開始清除此數(shù)據(jù)集。一個很好的方法是使用 describe 方法對數(shù)據(jù)進(jìn)行高級概述，其中顯示了樣本數(shù)、缺失值數(shù)和每一列的數(shù)據(jù)類型。如果列的數(shù)據(jù)類型為數(shù)字，則還將顯示平均值、標(biāo)準(zhǔn)偏差以及最小值和最大值。所有這些統(tǒng)計信息都是通過對數(shù)據(jù)的一次傳遞來計算的。

使用 describe 方法獲得 DataFrame 的高級概覽，注意這個 DataFrame 包含 18 列數(shù)據(jù)，不過截圖只展示了前 7 列。

該 describe 方法很好地體現(xiàn)了 Vaex 的功能和效率：所有這些統(tǒng)計數(shù)據(jù)都是在我的 MacBook Pro（2018 款 15 英寸，2.6GHz Intel Core i7，32GB RAM）上用不到 3 分鐘的時間計算出來的。其他庫或方法都需要分布式計算或擁有超過 100GB 的云實例來執(zhí)行相同的計算。而使用 Vaex，你所需要的只是數(shù)據(jù)，以及只有幾 GB RAM 的筆記本電腦。

查看 describe 的輸出，很容易注意到數(shù)據(jù)包含一些嚴(yán)重的異常值。

首先開始檢查上車地點。消除異常值的最簡單方法是簡單地繪制上下車地點的位置，并直觀地定義我們要集中分析的 NYC 區(qū)域。由于我們正在使用如此大的數(shù)據(jù)集，因此直方圖是最有效的可視化效果。使用 Vaex 創(chuàng)建和顯示直方圖和熱力圖的速度很快，而且圖表可以交互！

一旦我們通過交互決定要關(guān)注的 NYC 區(qū)域，就可以簡單地創(chuàng)建一個篩選后的 DataFrame：?

關(guān)于上面的代碼，最酷的事情是它需要執(zhí)行的內(nèi)存量可以忽略不計！在篩選 Vaex DataFrame 時不會復(fù)制數(shù)據(jù)，而是僅創(chuàng)建對原始對象的引用，在該引用上應(yīng)用二進(jìn)制掩碼。用掩碼選擇要顯示的行，并將其用于將來的計算。這將為我們節(jié)省 100GB 的 RAM，而像今天許多標(biāo)準(zhǔn)數(shù)據(jù)科學(xué)工具卻要復(fù)制數(shù)據(jù)。

現(xiàn)在，檢查一下該 passenger_count 列。單次出租車行程記錄的最大乘客數(shù)為 255，這似乎有些夸張。計算每次行程的乘客人數(shù)，使用以下 value_counts 方法很容易做到這一點：

在 10 億行數(shù)據(jù)上使用 value_counts 方法只需要 20 秒

從上圖可以看出，載客超過 6 人的行程可能是罕見的異常值，或者僅僅是錯誤的數(shù)據(jù)輸入，還有大量的 0 位乘客的行程。由于目前我們尚不了解這些行程是否合法，因此我們也將其過濾掉。??

讓我們對行程距離進(jìn)行類似的練習(xí)。由于這是一個連續(xù)變量，因此我們可以繪制行程距離的分布圖。讓我們繪制一個更合理范圍的直方圖。

紐約出租車數(shù)據(jù)行程距離直方圖

從上圖可以看出，出行次數(shù)隨著距離的增加而減少。在距離約 100 英里處，分布有明顯下降。目前，我們將以此為起點，根據(jù)行程距離消除極端離群值：

出行距離一列中存在極端異常值，這也是研究出行時間和出租車平均速度的動機(jī)。這些功能在數(shù)據(jù)集中尚不可用，但計算起來很簡單：

上面的代碼塊無需內(nèi)存，無需花費時間即可執(zhí)行！這是因為代碼只會創(chuàng)建虛擬列。這些列僅包含數(shù)學(xué)表達(dá)式，并且僅在需要時才進(jìn)行評估。此外，虛擬列的行為與任何其他常規(guī)列都相同。注意，其他標(biāo)準(zhǔn)庫將需要 10 GB 的 RAM 才能進(jìn)行相同的操作。

好了，讓我們來繪制行程耗費時間的分布：

紐約超過 10 億次出租車行程耗費時間的直方圖

從上面的圖中可以看出，盡管有一些行程可能需要花費 4 至 5 個小時，但 95％的出租車花費不到 30 分鐘即可到達(dá)目的地。你能想象在紐約市被困出租車中超過 3 個小時嗎？無論如何，我們要保持開放的態(tài)度，并考慮所有花費時間少于 3 小時的行程：

現(xiàn)在，讓我們研究出租車的平均速度，同時選擇一個合理的數(shù)據(jù)范圍：

出租車平均速度分布

根據(jù)分布趨平的位置，我們可以推斷出在每小時 1 到 60 英里之間合理的平均滑行速度，因此可以更新篩選后的 DataFrame：

將重點轉(zhuǎn)移到出租車費用上。從 describe 方法的輸出中，我們可以看到在 fare_amount，total_amount 和 tip_amount 列中有一些瘋狂的異常值。對于初學(xué)者，任何這些列中的任何值都不應(yīng)為負(fù)。同時數(shù)字表明，一些幸運(yùn)的司機(jī)僅憑開一次出租車便幾乎成為了百萬富翁。讓我們看一下在相對合理的范圍內(nèi)這些數(shù)量的分布：

紐約超過 10 億次出租車行程的車費、總額和小費的分布。在筆記本上繪制這些圖表只用了 31 秒！

我們看到上述所有三個分布都有相當(dāng)長的尾部。尾部的某些值可能是合法的，而其他值可能是錯誤的數(shù)據(jù)輸入。無論如何，讓我們先保守下，只考慮 fare_amount，total_amount 和 tip_amount 少于 $200 的行程。我們還要求 fare_amount，total_amount 值大于 $0。

最后，在初步清理完所有數(shù)據(jù)之后，讓我們看看有多少出租車數(shù)據(jù)需要進(jìn)行分析：

還有超過 11 億次旅行！大量的數(shù)據(jù)可以使你深入了解出租車行程背后的信息。

后記

此外，作者還從出租車司機(jī)最大化利潤等角度利用 Vaex 進(jìn)行分析數(shù)據(jù)?？傊?，Vaex 會幫你緩解可能面臨的一些數(shù)據(jù)挑戰(zhàn)的問題。

有了 Vaex，你可以在短短幾秒內(nèi)遍歷超過 10 億行數(shù)據(jù)，計算各種統(tǒng)計、聚合并產(chǎn)出信息圖表，這一切都能在你的筆記本電腦上完成。它免費且開源。

如果你對探索本文中用到的數(shù)據(jù)集感興趣，可以直接在 S3 中配合 Vaex 使用它，請參閱完整的 Jupyter notebook 了解如何實現(xiàn)。

Vaex 官方網(wǎng)站：https://vaex.io/??

文檔：https：//docs.vaex.io/?

GitHub：https :?//github.com/vaexio/vaex?

PyPi：https：//pypi.python.org/pypi/vaex/

好文和朋友一起看~