1. 安利一個(gè)提升python數(shù)據(jù)分析效率的神器

        共 6970字,需瀏覽 14分鐘

         ·

        2021-05-11 07:29



        大家好,歡迎來(lái)到 Crossin的編程教室 !
        今天給大家推薦一款提升數(shù)據(jù)分析代碼效率的工具:Dask
        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(lái)了。
        Dask是開(kāi)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(kāi)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(xiě)一次代碼,使用普通的Pythonic語(yǔ)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(jué)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(kù)包兼容,沿用庫(kù)包的API,這對(duì)于Python使用者來(lái)說(shuō)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(mén)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(jué)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(guò)源來(lái)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(lèi)型中的每一個(gè)都能夠使用在RAM和硬盤(pán)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(kāi)始,如果你使用Pandas DataFrame,就從Dask DataFrame開(kāi)始,依此類(lèi)推。
        import dask.array as da
        x = da.random.uniform(low=0, high=10, size=(1000010000),  # normal numpy code
                              chunks=(10001000))  # 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(shuō)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(méi)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(wèn)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 = [12345]

        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(méi)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(wú)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(kāi)。這里簡(jiǎn)單說(shuō)下一下dask-learn。
        dask-learn項(xiàng)目是與Sklearn開(kāi)發(fā)人員協(xié)作完成的?,F(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=[50100150250],
                    logistic__C=[1e-41.0101e4],
                    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(guò)Client可以展示整個(gè)計(jì)算過(guò)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(shuō)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),之后也會(huì)分享使用Dask進(jìn)行機(jī)器學(xué)習(xí)的一些實(shí)例。
        如果文章對(duì)你有幫助,歡迎轉(zhuǎn)發(fā)/點(diǎn)贊/收藏~
        作者:東哥起飛
        來(lái)源:Python數(shù)據(jù)科學(xué)


        _往期文章推薦_

        8個(gè)提升Python數(shù)據(jù)分析效率的代碼技巧




        如需了解付費(fèi)精品課程教學(xué)答疑服務(wù)
        請(qǐng)?jiān)?strong style="max-width: 100%;overflow-wrap: break-word !important;box-sizing: border-box !important;">Crossin的編程教室內(nèi)回復(fù): 666

        瀏覽 68
        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)
          
          

            1. 亚洲深深色噜噜狠狠网站 | 三级片91 | 亚洲精品永久久久久久 | 午夜精品一区二区三区免费视频 | 色欲久久伊人大香线蕉影院 |