Python 主流数据处理工具

如何在有限的 RAM 下快速地读取数据，使用更少的 disk 来存储数据是我们在处理大型数据时需要特别考虑的

• pandas
  • 具有非常丰富的数据处理工具，能非常方便地处理数据
  • 在处理大数据的时候，使用pandas会带来不必要的大内存的使用
• Dask
  • Dask 将 Pandas 扩展为一个并行处理的框架，所以读取数据的速度非常快， 但是 Dask 如果需要自定义很多函数处理问题的时候可能会遇到很多问题。
  • 除了pandas，Dask 还扩展了 NumPy 工作流，支持地球科学、卫星图像、基因组学、 生物医学应用和机器学习算法中的多维数据分析；
  • Dask-ML 则扩展了 scikit-learn 和 XGBoost 等机器学习 api， 支持在大型模型和大型数据集上进行 scalable 的训练和预测
• datatable
  • 非常快地读取大规模的数据集
  • 支持out-of-memory的数据集
  • 多线程数据处理
  • 灵活的API
• RAPIDS
  • Rapids 将数据的处理迁移到了 GPU 上面，所以在速度上得到了大大的提升

pandas

# jupyter lab/notebook
import pandas as pd

%%time
dtypes = {
    "row_id": "int64",
    "timestamp": "int64",
    "user_id": "int32",
    "content_id": "int16",
    "content_type_id": "boolean",
    "task_container_id": "int16",
    "user_answer": "int8",
    "answered_correctly": "int8",
    "prior_question_elapsed_time": "float32", 
    "prior_question_had_explanation": "boolean"
}

df = pd.read_csv("data/train.csv", dtype = dtypes)
print("Train size:", df.shape)
df.head()

Dask

# jupyter lab/notebook
import dask.dataframe as dd

%%time
dtypes = {
    "row_id": "int64",
    "timestamp": "int64",
    "user_id": "int32",
    "content_id": "int16",
    "content_type_id": "boolean",
    "task_container_id": "int16",
    "user_answer": "int8",
    "answered_correctly": "int8",
    "prior_question_elapsed_time": "float32", 
    "prior_question_had_explanation": "boolean"
}

df = dd.read_csv("data/train.csv", dtype = dtypes).compute()
print("Train size:", data.shape)
df.head()

datatable

# jupyter lab/notebook
import datatable as dt

%%time
df = dt.fread("data/train.csv") 
print("Train size:", df.shape)
df.head()

rapids

# jupyter lab/notebook

# rapids installation (make sure to turn on GPU)
import sys
!cp ../input/rapids/rapids.0.16.0 /opt/conda/envs/rapids.tar.gz
!cd /opt/conda/envs/ && tar -xzvf rapids.tar.gz > /dev/null
sys.path = ["/opt/conda/envs/rapids/lib/python3.7/site-packages"] + sys.path
sys.path = ["/opt/conda/envs/rapids/lib/python3.7"] + sys.path
sys.path = ["/opt/conda/envs/rapids/lib"] + sys.path

import cudf

%%time
df = cudf.read_csv("data/train.csv") 
print("Train size:", df.shape)
df.head()

参考资料

• https://www.kaggle.com/code/rohanrao/tutorial-on-reading-large-datasets/notebook

Python 主流数据存储格式

• csv
  • csv格式是使用最多的一个存储格式，但是其存储和读取的速度会略慢
• feather
  • feather 是一种可移植的文件格式，用于存储 Arrow 表或数据帧(来自 Python 或 R 等语言)， 它在内部使用 Arrow-IPC 格式。Feather 是在 Arrow 项目早期创建的， 作为 Python(pandas)和 R 的快速、语言无关的数据帧存储的概念证明
• hdf5
  • hdf5 设计用于快速 I/O 处理和存储，它是一个高性能的数据管理套件， 可以用于存储、管理和处理大型复杂数据
• jay
  • datatable 使用 .jay(二进制)格式，这使得读取数据集的速度非常快
• parquet
  • 在 Hadoop 生态系统中，parquet 被广泛用作表格数据集的主要文件格式， Parquet 使 Hadoop 生态系统中的任何项目都可以使用压缩的、高效的列数据表示的优势。 现在 parquet 与 Spark 一起广泛使用。 这些年来，它变得更容易获得和更有效，也得到了 pandas 的支持
• pickle
  • pickle 模块实现二进制协议，用于序列化和反序列化 Python 对象结构。 Python 对象可以以 pickle 文件的形式存储，pandas 可以直接读取 pickle 文件。 注意，pickle 模块不安全。最好只 unpickle 你信任的数据

csv

# jupyter lab/notebook
import pandas as pd

%%time
train_df = pd.read_csv("data/train.csv")
train_df.info

csv 格式转换为 pickle/feather/parquet/jay/h5

import pandas as pd
import datatable as dt

# train_df = dt.fread("data/train.csv").to_pandas()
train_df.to_csv("data/train.csv", index = False)
train_df.to_pickle("data/train.pkl.gzip")
train_df.to_feather("data/train.feather")
train_df.to_parquet("data/train.parquet")
dt.Frame(train_df).to_jay("data/train.jay")
train_df.to_hdf("data/train.h5", "train")
dt.Frame(train_df).to_jay("data/train.jay")

pickle

# jupyter lab/notebook
import pandas as pd

%%time
train_pickle = pd.read_pickle("data/train.pkl.gzip")
train_pickle.info()

feather

# jupyter lab/notebook
import pandas as pd

%%time
train_feather = pd.read_feather("data/train.feather")
train_feather.info()

parquet

# jupyter lab/notebook
import pandas as pd

%%time
train_parquet = pd.read_parquet("data/train.parquet")
train_parquet.info()

jay

# jupyter lab/notebook
import pandas as pd

%%time
train_jay = dt.fread("data/train.jay")
train.jay.shape

参考资料

• https://www.kaggle.com/code/pedrocouto39/fast-reading-w-pickle-feather-parquet-jay

pandas

参考资料

• https://www.kaggle.com/code/sohier/competition-api-detailed-introduction/notebook

datatable

安装

$ pip install datatable

import datatable as dt
print(dt.__version__)

核心概念

• f.
• g

核心方法

• 数据加载
  • 创建数据结构
  • 转换数据结构
• 数据属性
  • DT.shape
  • DT.names
  • DT.stypes
• 数据操作
  • 统计方法
    • DT.sum()
    • DT.max()
    • DT.min()
    • DT.mean()
    • DT.sd()
    • DT.mode()
    • DT.nmodal()
    • DT.nunique()
  • 筛选、索引行列
    • DT[:]
    • del DT[:]
  • 数据合并
    • DT.rbind()
    • DT.cbind()
  • Groupby/Join
    • DT[:, ,stat(), by()]
• 数据卸载
  • .csv
  • .jay
  • .

最佳实践

参考资料

• https://datatable.readthedocs.io/en/latest/index.html
• https://github.com/parulnith/An-Overview-of-Python-Datatable-package

Dask

安装

$ pip install 'dask[complete]'  # Install everything

$ pip install dask  # Install only core parts of dask

$ pip install 'dask[array]'  # Install requirements for dask array
$ pip install 'dask[dataframe]'  # Install requirements for dask dataframe
$ pip install 'dask[diagnostics]'  # Install requirements for dask diagnostics
$ pip install 'dask[distributed]'  # Install requirements for distributed dask

参考资料

• https://www.dask.org/

RAPIDS

tqdm

PySpark