（数据科学学习手札86）全平台支持的pandas运算加速神器

本文示例代码已上传至我的Github仓库https://github.com/CNFeffery/DataScienceStudyNotes

1 简介

　　随着其功能的不断优化与扩充，pandas已然成为数据分析领域最受欢迎的工具之一，但其仍然有着一个不容忽视的短板——难以快速处理大型数据集，这是由于pandas中的工作流往往是建立在单进程的基础上，使得其只能利用单个处理器核心来实现各种计算操作，这就使得pandas在处理百万级、千万级甚至更大数据量时，出现了明显的性能瓶颈。

　　本文要介绍的工具modin就是一个致力于在改变代码量最少的前提下，调用起多核计算资源，对pandas的计算过程进行并行化改造的Python库，并且随着其近期的一系列内容更新，modin基于Dask开始对Windows系统同样进行了支持，使得我们只需要改变一行代码，就可以在所有平台上获得部分pandas功能可观的计算效率提升。

图1

2 基于modin的pandas运算加速

　　modin支持Windows、Linux以及Mac系统，其中Linux与Mac平台版本的modin工作时可基于并行运算框架Ray和Dask，而Windows平台版本目前只支持Dask作为计算后端（因为Ray没有Win版本），安装起来十分方便，可以用如下3种命令来安装具有不同后端的modin：

pip install modin[dask] # 安装dask后端
pip install modin[ray] # 安装ray后端（windows不支持）
pip install modin[all] # 推荐方式，自动安装当前系统支持的所有后端

　　本文在Win10系统上演示modin的功能，执行命令：

pip install modin[all]

　　成功安装modin+dask之后，在使用modin时，只需要将我们习惯的import pandas as pd变更为import modin.pandas as pd即可，接下来我们来看一下在一些常见功能上，pandasVSmodin性能差异情况，首先我们分别使用pandas和modin读入一个大小为1.1G的csv文件esea_master_dmg_demos.part1.csv，来自kaggle（https://www.kaggle.com/skihikingkevin/csgo-matchmaking-damage/data），记录了关于热门游戏CS:GO的一些玩家行为数据，因为体积过大，请感兴趣的读者朋友自行去下载：

图2

　　为了区分他们，在导入时暂时将modin.pandas命名为mpd：

图3

　　可以看到因为是Win平台，所以使用的计算后端为Dask，首先我们来分别读入文件查看耗时：

图4

　　借助jupyter notebook记录计算时间的插件，可以看到原生的pandas耗时14.8秒，而modin只用了5.32秒，接着我们再来试试concat操作：

图5

　　可以看到在pandas花了8.78秒才完成任务的情况下，modin仅用了0.174秒，取得了惊人的效率提升。接下来我们再来执行常见的检查每列缺失情况的任务：

图6

　　这时耗时差距虽然不如concat操作时那么巨大，也是比较可观的，但是modin毕竟是一个处理快速开发迭代阶段的工具，其针对pandas的并行化改造尚未覆盖全部的功能，譬如分组聚合功能。对于这部分功能，modin会在执行代码时检查自己是否支持，对于尚未支持的功能modin会自动切换到pandas单核后端来执行运算，但由于modin中组织数据的形式与pandas不相同，所以中间需要经历转换：

图7

　　这种时候modin的运算反而会比pandas慢很多：

图8

　　因此我对modin持有的态度是在处理大型数据集时，部分应用场景可以用其替换pandas，即其已经完成可靠并行化改造的pandas功能，你可以在官网对应界面（https://modin.readthedocs.io/en/latest/supported_apis/index.html ）查看其已经支持及尚未良好支持的功能,，因为modin还处于快速开发阶段，很多目前无法支持的功能也许未来不久就会被加入modin：