<kbd id="afajh"><form id="afajh"></form></kbd>
<strong id="afajh"><dl id="afajh"></dl></strong>
    <del id="afajh"><form id="afajh"></form></del>
        1. <th id="afajh"><progress id="afajh"></progress></th>
          <b id="afajh"><abbr id="afajh"></abbr></b>
          <th id="afajh"><progress id="afajh"></progress></th>

          安利一個(gè)Python大數(shù)據(jù)分析神器!

          共 4526字,需瀏覽 10分鐘

           ·

          2020-11-19 13:37

          來源:Python數(shù)據(jù)科學(xué)
          作者:東哥起飛
          對(duì)于Pandas運(yùn)行速度的提升方法,之前已經(jīng)介紹過很多回了,里面經(jīng)常提及Dask,很多朋友沒接觸過可能不太了解,今天就推薦一下這個(gè)神器。
          1、什么是Dask?
          Pandas和Numpy大家都不陌生了,代碼運(yùn)行后數(shù)據(jù)都加載到RAM中,如果數(shù)據(jù)集特別大,我們就會(huì)看到內(nèi)存飆升。但有時(shí)要處理的數(shù)據(jù)并不適合RAM,這時(shí)候Dask來了。
          Dask是開源免費(fèi)的。它是與其他社區(qū)項(xiàng)目(如Numpy,Pandas和Scikit-Learn)協(xié)調(diào)開發(fā)的。
          官方:https://dask.org/
          Dask支持Pandas的DataFrame和NumpyArray的數(shù)據(jù)結(jié)構(gòu),并且既可在本地計(jì)算機(jī)上運(yùn)行,也可以擴(kuò)展到在集群上運(yùn)行。
          基本上,只要編寫一次代碼,使用普通的Pythonic語法,就可在本地運(yùn)行或部署到多節(jié)點(diǎn)集群上。這本身就是一個(gè)很牛逼的功能了,但這還不是最牛逼的。
          我覺得Dask的最牛逼的功能是:它兼容大部分我們已經(jīng)在用的工具,并且只需改動(dòng)少量的代碼,就可以利用自己筆記本電腦上已有的處理能力并行運(yùn)行代并行處理數(shù)據(jù)就意味著更少的執(zhí)行時(shí)間,更少的等待時(shí)間和更多的分析時(shí)間。
          下面這個(gè)就是Dask進(jìn)行數(shù)據(jù)處理的大致流程。

          2、Dask支持哪些現(xiàn)有工具?
          這一點(diǎn)也是我比較看中的,因?yàn)镈ask可以與Python數(shù)據(jù)處理和建模的庫包兼容,沿用庫包的API,這對(duì)于Python使用者來說學(xué)習(xí)成本是極低的。而像Hadoop、Spark這種大數(shù)據(jù)處理是有很高的學(xué)習(xí)門檻和時(shí)間成本的。
          目前,Dask可支持pandas、Numpy、Sklearn、XGBoost、XArray、RAPIDS等等,光是這幾項(xiàng)我覺得就足夠用了,至少對(duì)于常用的數(shù)據(jù)處理、建模分析是完全覆蓋得掉的。

          3、Dask安裝
          可以使用 conda 或者 pip,或從源代碼安裝dask?
          conda?install?dask
          因?yàn)閐ask有很多依賴,所以為了快速安裝也可用下面代碼,將安裝運(yùn)行Dask所需的最少依賴關(guān)系集
          conda?install?dask-core
          再有就是通過源來安裝。
          git?clone?https://github.com/dask/dask.git
          cd?dask
          python?-m?pip?install?.
          4、Dask如何使用?
          Numpy、pandas
          Dask引入了3個(gè)并行集合,它們可以存儲(chǔ)大于RAM的數(shù)據(jù),這些集合有DataFrame、Bags、Arrays。這些集合類型中的每一個(gè)都能夠使用在RAM和硬盤之間分區(qū)的數(shù)據(jù),以及分布在群集中多個(gè)節(jié)點(diǎn)上的數(shù)據(jù)。
          Dask的使用是非常清晰的,如果你使用NumPy數(shù)組,就從Dask數(shù)組開始,如果你使用Pandas DataFrame,就從Dask DataFrame開始,依此類推。
          import?dask.array?as?da
          x?=?da.random.uniform(low=0,?high=10,?size=(10000,?10000),??#?normal?numpy?code
          ??????????????????????chunks=(1000,?1000))??#?break?into?chunks?of?size?1000x1000

          y?=?x?+?x.T?-?x.mean(axis=0)??#?Use?normal?syntax?for?high?level?algorithms

          #?DataFrames
          import?dask.dataframe?as?dd
          df?=?dd.read_csv('2018-*-*.csv',?parse_dates='timestamp',??#?normal?Pandas?code
          ?????????????????blocksize=64000000)??#?break?text?into?64MB?chunks

          s?=?df.groupby('name').balance.mean()??#?Use?normal?syntax?for?high?level?algorithms

          #?Bags?/?lists
          import?dask.bag?as?db
          b?=?db.read_text('*.json').map(json.loads)
          total?=?(b.filter(lambda?d:?d['name']?==?'Alice')
          ??????????.map(lambda?d:?d['balance'])
          ??????????.sum())
          這些高級(jí)接口在略微變化的情況下復(fù)制了標(biāo)準(zhǔn)接口。對(duì)于原始項(xiàng)目中的大部分API,這些接口會(huì)自動(dòng)為我們并行處理較大的數(shù)據(jù)集,實(shí)現(xiàn)上不是很復(fù)雜,對(duì)照Dask的doc文檔即可一步步完成。
          Delayed
          下面說一下Dask的?Delay?功能,非常強(qiáng)大。
          Dask.delayed是一種并行化現(xiàn)有代碼的簡(jiǎn)單而強(qiáng)大的方法。之所以被叫做delayed是因?yàn)椋?span style="color: rgb(64, 64, 64);font-family: Lato, proxima-nova, "Helvetica Neue", Arial, sans-serif;font-size: 16px;text-align: start;background-color: rgb(252, 252, 252);">沒有立即計(jì)算出結(jié)果,而是將要作為任務(wù)計(jì)算的結(jié)果記錄在一個(gè)圖形中,稍后將在并行硬件上運(yùn)行。
          有時(shí)問題用已有的dask.array或dask.dataframe可能都不適合,在這些情況下,我們可以使用更簡(jiǎn)單的dask.delayed界面并行化自定義算法。例如下面這個(gè)例子。
          def?inc(x):
          ????return?x?+?1

          def?double(x):
          ????return?x?*?2

          def?add(x,?y):
          ????return?x?+?y

          data?=?[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
          上面代碼在單個(gè)線程中按順序運(yùn)行。但是,我們看到其中很多可以并行執(zhí)行。Dask delayed函數(shù)可修飾inc、double這些函數(shù),以便它們可延遲運(yùn)行,而不是立即執(zhí)行函數(shù),它將函數(shù)及其參數(shù)放入計(jì)算任務(wù)圖中。
          我們簡(jiǎn)單修改代碼,用delayed函數(shù)包裝一下。
          import?dask

          output?=?[]
          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)
          代碼運(yùn)行后inc、double、add和sum都還沒有發(fā)生,而是生成一個(gè)計(jì)算的任務(wù)圖交給了total。然后我們用visualizatize看下任務(wù)圖。
          total.visualize()??
          上圖明顯看到了并行的可能性,所以毫不猶豫,使用compute進(jìn)行并行計(jì)算,這時(shí)才完成了計(jì)算。
          >>>?total.compute()
          45
          由于數(shù)據(jù)集較小無法比較時(shí)間,這里只介紹下使用方法,具體可自己動(dòng)手實(shí)踐下。
          Sklearn機(jī)器學(xué)習(xí)
          關(guān)于機(jī)器學(xué)習(xí)的并行化執(zhí)行,由于內(nèi)容較多,東哥會(huì)在另一篇文章展開。這里簡(jiǎn)單說下一下dask-learn。
          dask-learn項(xiàng)目是與Sklearn開發(fā)人員協(xié)作完成的。現(xiàn)在可實(shí)現(xiàn)并行化有Scikit-learn的Pipeline、GridsearchCV和RandomSearchCV以及這些的變體,它們可以更好地處理嵌套的并行操作。
          因此,如果你將sklearn替換為dklearn,那么速度將會(huì)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
          下面是一個(gè)使用Pipeline的示例,其中應(yīng)用了PCA和邏輯回歸。
          from?sklearn.datasets?import?make_classification

          X,?y?=?make_classification(n_samples=10000,
          ???????????????????????????n_features=500,
          ???????????????????????????n_classes=2,
          ???????????????????????????n_redundant=250,
          ???????????????????????????random_state=42)

          from?sklearn?import?linear_model,?decomposition
          from?sklearn.pipeline?import?Pipeline
          from?dklearn.pipeline?import?Pipeline

          logistic?=?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?GridSearchCV
          from?dklearn.grid_search?import?GridSearchCV

          estimator?=?GridSearchCV(pipe,?grid)

          estimator.fit(X,?y)
          結(jié)果是:sklearn會(huì)在40秒鐘左右執(zhí)行此計(jì)算,而dask-learn替代品大約需要10秒鐘。
          另外,如果添加以下代碼可以連接到集群,通過Client可以展示整個(gè)計(jì)算過程的dashboard,由Bokeh實(shí)現(xiàn)。
          from?dask.distributed?import?Client
          c?=?Client('scheduler-address:8786')


          5、總結(jié)
          以上就是Dask的簡(jiǎn)單介紹,Dask的功能是非常強(qiáng)大的,且說明文檔也非常全,既有示例又有解釋。感興趣的朋友可以自行去官網(wǎng)或者GitHub學(xué)習(xí),東哥下次分享使用Dask進(jìn)行機(jī)器學(xué)習(xí)的一些實(shí)例。
          瀏覽 67
          點(diǎn)贊
          評(píng)論
          收藏
          分享

          手機(jī)掃一掃分享

          分享
          舉報(bào)
          評(píng)論
          圖片
          表情
          推薦
          點(diǎn)贊
          評(píng)論
          收藏
          分享

          手機(jī)掃一掃分享

          分享
          舉報(bào)
          <kbd id="afajh"><form id="afajh"></form></kbd>
          <strong id="afajh"><dl id="afajh"></dl></strong>
            <del id="afajh"><form id="afajh"></form></del>
                1. <th id="afajh"><progress id="afajh"></progress></th>
                  <b id="afajh"><abbr id="afajh"></abbr></b>
                  <th id="afajh"><progress id="afajh"></progress></th>
                  亚洲高清视频在线观看 | avtt资源搜索 | 欧美成人做爱 | 中国一区二区 | 亚洲三地区电影 |