【Python】Modin，只需一行代碼加速你的Pandas

Modin是一個Python第三方庫，可以通過并行來處理大數(shù)據(jù)集。它的語法和pandas非常相似，因其出色的性能，能彌補Pandas在處理大數(shù)據(jù)上的缺陷。

本文會解釋何時該用Modin處理數(shù)據(jù)，并給出Modin的一些真實案例。

下文內(nèi)容主要包括：

1. 為什么需要Modin？
2. Modin厲害在哪里？
3. Modin使用方法
4. 對比Modin和Pandas
5. 對比Modin和其他加速庫有何不同？

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

為什么需要Modin？

Pandas是python數(shù)據(jù)分析最常用的工具庫，數(shù)據(jù)科學(xué)領(lǐng)域的大明星。

Pandas受歡迎的原因在于它簡潔易用的API，并且集成了Numpy、Matplotlib、Scipy等眾多數(shù)據(jù)科學(xué)庫，堪稱Python+SQL+Excel的結(jié)合體。

但Pandas并不是完美的，大數(shù)據(jù)是它的軟肋。

由于設(shè)計原因，Pandas只能在單核上運行，數(shù)據(jù)處理能力有限。目前大部分計算機雖都是多核CPU，Pandas卻心有余而力不足，無法用到多核。

正因為大多人都熟悉了Pandas的語法結(jié)構(gòu)，所以想換一種新的數(shù)據(jù)分析庫并不容易，會增加很多的學(xué)習(xí)成本。

如果在保留Pandas語法和API的前提下，又能增加大數(shù)據(jù)處理能力，這將會一個完美的解決方案。

Modin就是這樣一個存在。只要你有使用Pandas的經(jīng)驗，就可以輕松上手Modin。

Modin厲害在哪里？

Modin是一個Python第三方庫，可以彌補Pandas在大數(shù)據(jù)處理上的不足，同時能將代碼速度提高4倍左右。

Modin以Ray或Dask作為后端運行。

?

Ray是基于python的并行計算和分布式執(zhí)行引擎。
Dask是一個高性能并行分析庫，幫助Pandas、Numpy處理大規(guī)模數(shù)據(jù)。

?

那Modin有何特別之處呢？

與pandas不同，Modin能使用計算機中所有的CPU內(nèi)核，讓代碼并行計算。

當(dāng)用4個進(jìn)程而不是一個進(jìn)程（如pandas）運行相同的代碼時，所花費的時間會顯著減少。

Modin的主要特點：

1. 使用DataFrame作為基本數(shù)據(jù)類型；
2. 與Pandas高度兼容，語法相似，幾乎不需要額外學(xué)習(xí)；
3. 能處理1MB到1TB+的數(shù)據(jù)；
4. 使用者不需要知道系統(tǒng)有多少內(nèi)核，也不需要指定如何分配數(shù)據(jù)；

Modin使用方法

首先要安裝Modin，使用pip安裝即可。

前面說過，Modin使用Ray或Dask作為后端，在這里我們使用 dask，命令行輸入以下代碼同時安裝Modin和Dask：

pip install modin[dask]

接下來是導(dǎo)入Modin，這是重點。

Modin宣稱改一行代碼就可以加速pandas，只需將：

import pandas as pd

改為

import modin.pandas as pd

除了速度更快外，其他要用的的語法、api和Pandas一模一樣。

我們來試試分別用Modin和pandas讀取200MB的CSV文件，看哪個速度更快。

# 使用pandas讀取數(shù)據(jù)
import pandas as pd
import time
s = time.time()
df = pd.read_csv("test.csv")
e = time.time()
print("Pandas讀取時間 = {}".format(e-s))

# 使用Modin讀取數(shù)據(jù)
import modin.pandas as pd

s = time.time()
df = pd.read_csv("test.csv")
e = time.time()
print("Modin讀取時間 = {}".format(e-s))

返回：

Pandas是3.3秒，Modin是1.9秒，速度快了接近1倍。

我的電腦是4核CPU，Modin加載過程中所有內(nèi)核都被用上了。如果用8核來跑，加載時間更少。

對比Modin和Pandas

1. read_csv

簡單對比了Modin和Pandas讀取200M文件后，我們再試下讀取1GB的CSV文件有多大差異。

pandas：

# 使用pandas讀取數(shù)據(jù)
import pandas as pd
import time
s = time.time()
df = pd.read_csv("test1.csv")
e = time.time()
print("Pandas讀取時間 = {}".format(e-s))

輸出：

Pandas讀取時間 = 11.298792123794556

# 使用Modin讀取數(shù)據(jù)
import modin.pandas as pd

s = time.time()
df = pd.read_csv("test1.csv")
e = time.time()
print("Modin讀取時間 = {}".format(e-s))

輸出：

Modin讀取時間 = 7.6007184982299805

處理GB級的數(shù)據(jù)，Modin的優(yōu)勢也是顯而易見的，當(dāng)然處理時間會隨計算機的不同有差異。

2. append()

append在Pandas中用來添加新行，我們來看看Modin和Pandas做append操作時的速度差異。

Pandas:

# 使用pandas讀取數(shù)據(jù)，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時間 = {}".format(e-s))

輸出：

Pandas append時間 = 1.242678165435791

Modin：

# 使用Modin讀取數(shù)據(jù)，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時間 = {}".format(e-s))

輸出：

Modin append時間 = 0.2613077163696289

Pandas用時1.2秒，Modin用時0.2秒。

3. Concat()

concat用來拼接多個DataFrame，也來測試一下差異。

Pandas:

# 使用pandas讀取數(shù)據(jù)，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時間 = {}".format(e-s))

輸出：

Pandas concat時間 = 3.705094337463379

Modin：

# 使用Modin讀取數(shù)據(jù)，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時間 = {}".format(e-s))

輸出：

Modin concat時間 = 0.5255951881408691

Pandas用時3.7秒，Modin用時0.5秒。

通過上面3個函數(shù)的比較，Modin在使用append、concat等方法上要比Pandas快5倍以上

對比Modin和其他加速庫有何不同？

現(xiàn)在有很多庫可以實現(xiàn)對Pandas的加速，比如Dask、Vaex、Ray、CuDF等，Modin和這些庫對比有什么樣的優(yōu)勢呢？

「Modin Vs Vaex」

Modin可以說是Pandas的加速版本，幾乎所有功能通用。

Vaex的核心在于惰性加載，類似spark，但它有獨立的一套語法，使用起來和Pandas差異很大。

如果你已經(jīng)寫好基于pandas的腳本，只是想加速運行代碼，那么Modin是最佳選擇。如果你只是想簡單統(tǒng)計或可視化大數(shù)據(jù)集，可以考慮Vaex。

「Modin Vs Dask」

Dask既可以作為Modin的后端引擎，也能單獨并行處理DataFrame，提高數(shù)據(jù)處理速度。

但Dask對Pandas并沒有很好的兼容性，沒辦法像Modin那樣，只需改變一行代碼，就可以輕松使用Pandas處理大數(shù)據(jù)集。

「Modin vs. RAPIDS (cuDF)」

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