Amway 누구나 Python 빅데이터 분석 결과물을 갖고 있습니다.
python 동영상 튜토리얼이 칼럼에서는 빅데이터 분석 아티팩트를 소개합니다
권장(무료): python 동영상 튜토리얼
Pandas의 실행 속도를 향상시키는 방법 code>는 이전에 여러 번 소개되었으며 <code>Dask
가 자주 언급됩니다. 한번도 접해보지 않은 많은 친구들은 이에 대해 잘 알지 못할 수도 있습니다. 오늘은 이 아티팩트를 추천하겠습니다. 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.git cd dask python -m pip install .
4、Dask如何使用?
Numpy、pandas
Dask
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 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())
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
Pandas
및 Numpy
는 모두에게 친숙합니다. 코드가 실행된 후 데이터 세트가 특히 큰 경우에는 데이터가 RAM에 로드됩니다. 기억이 솟아오른다. 하지만 처리할 데이터가 RAM
에 맞지 않는 경우가 있는데, 여기에 Dask
가 옵니다. 🎜🎜Dask
는 오픈 소스이며 무료입니다. Numpy, Pandas 및 Scikit-Learn과 같은 다른 커뮤니티 프로젝트와 협력하여 개발되었습니다. 🎜공식: https://dask.org/🎜
Dask
는 Pandas
의 DataFrame
및 를 지원합니다. NumpyArray
의 데이터 구조이며 로컬 컴퓨터에서 실행되거나 클러스터에서 실행되도록 확장될 수 있습니다. 🎜🎜기본적으로 코드를 한 번 작성하고 일반 Pythonic
구문을 사용하여 로컬에서 실행하거나 다중 노드 클러스터에 배포하세요. 이것은 그 자체로 멋진 기능이지만 가장 멋진 기능은 아닙니다. 🎜🎜Dask
의 가장 멋진 기능은 다음과 같습니다. 🎜우리가 이미 사용하고 있는 대부분의 도구와 호환되며, 약간의 코드 변경만으로 이미 사용하고 있는 도구를 사용할 수 있습니다. 노트북에 코드를 병렬로 실행할 수 있는 처리 능력이 있어야 합니다. 데이터를 병렬로 처리하면 실행 시간과 대기 시간이 줄어들고 분석 시간이 늘어납니다. 🎜🎜🎜다음은 Dask
에서 데이터를 처리하는 일반적인 과정입니다. 
Dask
는 Python
데이터 처리 및 모델링 라이브러리 패키지와 호환되고, 라이브러리 패키지의 API를 따르기 때문입니다. Python에 유용합니다. 사용자의 학습 비용은 매우 낮습니다. Hadoop
및 Spark
와 같은 빅데이터 처리는 학습 임계값과 시간 비용이 높습니다. 🎜🎜현재 Dask
는 pandas
, Numpy
, Sklearn
, XGBoost
를 지원할 수 있습니다. XArray
, RAPIDS
등 적어도 일반적인 데이터 처리, 모델링 분석에는 충분하다고 생각합니다. 
conda
또는 pip
를 사용하거나 소스 코드에서 dask
를 설치할 수 있습니다. 🎜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
dask
에는 많은 종속성이 있으므로 빠른 설치를 위해 다음 코드를 사용할 수도 있습니다. 그러면 Dask
를 실행하는 데 필요한 최소한의 종속성 세트가 설치됩니다. 🎜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)
total.visualize()
Dask
에는 RAM보다 큰 데이터를 저장할 수 있는 3개의 병렬 컬렉션이 도입되었습니다. 이러한 컬렉션에는 DataFrame
, Bags, <code>배열
. 이러한 각 컬렉션 유형은 RAM과 하드 디스크 간에 분할된 데이터는 물론 클러스터의 여러 노드에 분산된 데이터로 작업할 수 있습니다. 🎜🎜Dask
의 사용은 매우 명확합니다. NumPy
배열을 사용하는 경우 Pandas DataFrame을 사용하는 경우 시작하세요.
, Dask DataFrame
으로 시작 등. 🎜>>> total.compute() 45
Dask 문서를 참조하여 단계별로 완료할 수 있습니다. 코드>. 🎜🎜🎜Delayed🎜🎜🎜 매우 강력한 <code>Dask
의 Delay
기능에 대해 이야기해보겠습니다. 🎜🎜Dask.delayed
는 기존 코드를 병렬화하는 간단하고 강력한 방법입니다. 결과를 즉시 계산하지 않고 나중에 병렬 하드웨어에서 실행될 그래프에 작업으로 계산 결과를 기록하기 때문에 지연
이라고 합니다. 🎜🎜때때로 기존 dask.array
또는 dask.dataframe
이 문제에 적합하지 않을 수 있습니다. 이러한 경우에는 더 간단한 dask Delay인터페이스는 사용자 정의 알고리즘을 병렬화합니다. 다음 예를 예로 들어 보겠습니다. 🎜<div class="code" style="position:relative; padding:0px; margin:0px;"><div class="code" style="position:relative; padding:0px; margin:0px;"><pre class="brush:php;toolbar:false">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</pre><div class="contentsignin">로그인 후 복사</div></div><div class="contentsignin">로그인 후 복사</div></div>
<p>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。<code>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 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_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)
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 Client c = 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。
위 내용은 Amway 누구나 Python 빅데이터 분석 결과물을 갖고 있습니다.의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!

핫 AI 도구

Undresser.AI Undress
사실적인 누드 사진을 만들기 위한 AI 기반 앱

AI Clothes Remover
사진에서 옷을 제거하는 온라인 AI 도구입니다.

Undress AI Tool
무료로 이미지를 벗다

Clothoff.io
AI 옷 제거제

AI Hentai Generator
AI Hentai를 무료로 생성하십시오.

인기 기사

뜨거운 도구

메모장++7.3.1
사용하기 쉬운 무료 코드 편집기

SublimeText3 중국어 버전
중국어 버전, 사용하기 매우 쉽습니다.

스튜디오 13.0.1 보내기
강력한 PHP 통합 개발 환경

드림위버 CS6
시각적 웹 개발 도구

SublimeText3 Mac 버전
신 수준의 코드 편집 소프트웨어(SublimeText3)

뜨거운 주제











많은 웹 사이트 개발자는 램프 아키텍처에서 Node.js 또는 Python 서비스를 통합하는 문제에 직면 해 있습니다. 기존 램프 (Linux Apache MySQL PHP) 아키텍처 웹 사이트 요구 사항 ...

SCAPY 크롤러를 사용할 때 파이프 라인 영구 스토리지 파일을 작성할 수없는 이유는 무엇입니까? 토론 Data Crawler에 Scapy Crawler를 사용하는 법을 배울 때 종종 ...

Python 크로스 플랫폼 데스크톱 응용 프로그램 개발 라이브러리 선택 많은 Python 개발자가 Windows 및 Linux 시스템 모두에서 실행할 수있는 데스크탑 응용 프로그램을 개발하고자합니다 ...

Python Process Pool은 클라이언트가 갇히게하는 동시 TCP 요청을 처리합니다. 네트워크 프로그래밍에 Python을 사용하는 경우 동시 TCP 요청을 효율적으로 처리하는 것이 중요합니다. ...

functools.partial in Python의 파이썬 funcTools.partial 객체의 시청 방법을 깊이 탐구하십시오 ...

Python : 모래 시계 그래픽 도면 및 입력 검증을 시작 하기이 기사는 모래 시계 그래픽 드로잉 프로그램에서 Python 초보자가 발생하는 변수 정의 문제를 해결합니다. 암호...

흰색 영역을 찾기 위해 파이썬에서 고해상도 이미지를 처리하는 방법은 무엇입니까? 9000x7000 픽셀의 고해상도 사진 처리, 두 가지 그림을 정확하게 찾는 방법 ...

데이터 변환 및 통계 : 대규모 데이터 세트의 효율적인 처리이 기사는 제품 정보가 포함 된 데이터 목록을 다른 사람으로 변환하는 방법을 자세히 소개합니다 ...
