想让Pandas更快？试试Modin加速！
选自towardsdatascience作者：ParulPandey机器之心编译参与：GeekAI、Chita「通过更改一行代码扩展你的pandas工作流。」Pandas是数据科学领域的专业人员所熟知的库。它提供了高性能且易于使用的结构和数据分析工具。然而，当处理超大数据集时，单核运行的Pandas性能会大打折扣，用户不得不转向不同的分布式系统来提升性能。然而，为了提升性能而进行的这种权衡会带来陡峭的学习曲线。实际上，用户只希望Pandas运行得更快，而不是为特定的硬件设置调整他们的工
选自towardsdatascience
作者： Parul Pandey
机器之心编译
参与：Geek AI、Chita
「通过更改一行代码扩展你的 pandas 工作流。」
Pandas 是数据科学领域的专业人员所熟知的库。它提供了高性能且易于使用的结构和数据分析工具。然而，当处理超大数据集时，单核运行的 Pandas 性能会大打折扣，用户不得不转向不同的分布式系统来提升性能。然而，为了提升性能而进行的这种权衡会带来陡峭的学习曲线。
实际上，用户只希望 Pandas 运行得更快，而不是为特定的硬件设置调整他们的工作流程。这意味着人们希望在处理 10KB 和 10TB 的数据集时，可以使用相同的 Pandas 脚本。Modin 提供了一个优化 Pandas 的解决方案，使数据科学家能够专注于从数据中提取价值，而不是专注于处理数据的工具。
Modin
Modin 是加州大学伯克利分校 RISELab 的一个早期项目，旨在推动分布式计算在数据科学领域的应用。它是一个多进程的数据框架（Dataframe）库，具有与 Pandas 相同的应用程序接口（API），使用户能够加速他们的 Pandas 工作流程。
在一台 8 核的机器上，用户只需修改一行代码，Modin 就能将 Pandas 查询任务加速 4 倍。
该系统是为希望程序运行得更快、扩展性更强，而无需进行重大代码更改的 Pandas 用户设计的。这项工作的最终目标是能够在云环境中使用 Pandas。
安装
Modin 是完全开源的，可以通过下面的 GitHub 链接获得：
https://github.com/modin-project/modin
我们可以使用如下所示的 PyPi 指令来安装 Modin：
pip install modin
在 Windows 环境下，Ray 是安装 Modin 所需的依赖之一。Windows 本身并不支持 Ray，因此为了安装它，用户需要使用 WSL（适用于 Linux 的 Windows 子系统）。
Modin 如何加速数据处理过程
在笔记本上
在具有 4 个 CPU 核心的现代笔记本上处理适合该机器的数据框架时，Pandas 只使用了 1 个 CPU 核心，而 Modin 能够利用全部 4 个核心。
Pandas 和 Modin 对 CPU 核心的使用情况
从本质上讲，Modin 所做的只是增加了 CPU 所有核心的利用率，从而提供了更好的性能。
在大型机器上
在大型机器上，Modin 的作用就变得更加明显了。假设我们有一台服务器或一台非常强大的机器，Pandas 仍然只会利用一个核心，而 Modin 会使用所有的核心。下图显示了在一台拥有 144 核心的计算机上通过 Pandas 和 Modin 使用「read_csv」函数的性能对比情况：
Pandas 的运行时间会随着数据量的变化而线性增长，因为它仅仅使用 1 个核心。而从上图中可能很难看到绿色条形图的增长，因为 Modin 的运行时间实在太短了。
通常，Modin 使用「read_csv」函数读取 2G 数据需要 2 秒，而读取 18G 数据大约需要不到 18 秒。
架构
接下来，本文将解析 Modin 的架构。
数据框架分区
Modin 对数据框架的分区模式是沿着列和行同时进行划分的，因为这样为 Modin 在支持的列数和行数上都提供了灵活性和可扩展性。
系统架构
Modin 被分为不同的层：
Pandas API 在最顶层暴露给用户。下一层为查询编译器，它接收来自 Pandas API 层的查询并执行某些优化。最后一层为分区管理器（Partition Manager），负责数据布局并对发送到每个分区的任务进行重组、分区和序列化。
modin 的一般架构
在 Modin 中实现 Pandas API
pandas 拥有大量的 API，这可能是它应用如此广泛的原因之一。
pandas API
由于 Pandas 具有这么多种操作，Modin 采用了一种数据驱动的策略。也就是说，Modin 的创造者找出了人们最常用的 Pandas 操作。他们研究了 Kaggle 平台上的 Pandas 使用数据，对上面所有的 notebook 和脚本进行了分析，最终总结出最受欢迎的 Pandas 方法如下：
「pd.read_CSV」是目前最常用的 Pandas 方法，其次是「pd.Dataframe」方法。因此，在 Modin 中，设计者们开始实现一些 Pandas 操作，并按照它们受欢迎程度从高到低的顺序进行优化：
目前，Modin 支持大约 71% 的 Pandas API。根据研究，这代表了 93% 的使用场景。Ray
Modin 利用 Ray 以无缝的方式加速 Pandas 的 notebook、脚本和库。Ray 是一个针对大规模机器学习和强化学习应用的高性能分布式执行框架。相同的代码可以在单台机器上运行以实现高效的多进程，也可以在集群上用于大型计算。你可以通过下面的 GitHub 链接获取 Ray：http://github.com/ray-project/ray。
使用方法
导入
Modin 封装了 Pandas，并透明地分发数据和计算任务，它通过修改一行代码就加速了 Pandas 的工作流程。用户可以继续使用以前的 Pandas notebook，同时体验 Modin 带来的显著加速，甚至在一台机器上。用户需要做的只是修改导入程序包的声明，引入「modin.pandas」而不是「pandas」。
import numpy as np import modin.pandas as pd
我们将使用 Numpy 构建一个由随机整数组成的简单数据集。请注意，我们并不需要在这里指定分区。
data = np.random.randint(0,100,size = (2**16, 2**4))
df = pd.DataFrame(data)
df = df.add_prefix("Col:")当我们将数据的类型打印在屏幕上时，会显示出「Modin 数据框架」。
type(df) modin.pandas.dataframe.DataFrame
如果我们使用「head」命令打印出前五行数据，它会像 Pandas 一样显示出 HTML 表单。
df.head()
对比实验
Modin 会管理数据分区和重组，从而使用户能够将注意力集中于从数据中提取出价值。下面的代码是在一台 2013 年的拥有 4 个 CPU 核心和 32 GB RAM 内存的 iMac 机器上运行的。
pd.read_csv
「read_csv」是目前为止最常用的 Pandas 操作。接下来，本文将对分别在 Pandas 和 Modin 环境下使用「read_csv」函数的性能进行一个简单的对比。
pandas
%%time
import pandas
pandas_csv_data = pandas.read_csv("../800MB.csv")
-----------------------------------------------------------------
CPU times: user 26.3 s, sys: 3.14 s, total: 29.4s
Wall time: 29.5 sModin
%%time
modin_csv_data = pd.read_csv("../750MB.csv")
-----------------------------------------------------------------
CPU times: user 76.7 ms, sys: 5.08 ms, total: 81.8 ms
Wall time: 7.6 s通过使用 Modin，只需要修改导入声明就可以在一台 4 核机器上以普通 Pandas 4 倍的速度执行「read_csv」操作。
df.groupby
Pandas 的「groupby」聚合函数底层编写得非常好，运行速度非常快。但是即使如此，Modin 的性能也比 Pandas 要好。
Pandas
%%time import pandas _ = pandas_csv_data.groupby(by=pandas_csv_data.col_1).sum() ----------------------------------------------------------------- CPU times: user 5.98 s, sys: 1.77 s, total: 7.75 s Wall time: 7.74 s
modin
%%time results = modin_csv_data.groupby(by=modin_csv_data.col_1).sum() ----------------------------------------------------------------- CPU times: user 3.18 s, sys: 42.2 ms, total: 3.23 s Wall time: 7.3 s
Pandas 实现的默认设置
如果想要使用尚未实现或优化的 Pandas API，实际上可以使用默认的 Pandas API。这使得该系统可以用于使用 Modin 中尚未实现操作的 notebook 中（尽管由于即将使用 Pandas API，性能会有所下降）。当使用默认的 Pandas API 时，你将看到一个警告：
dot_df = df.dot(df.T)
当计算完成后，该操作会返回一个分布式的 Modin 数据框架。
type(dot_df) ----------------- modin.pandas.dataframe.DataFrame
结语
Modin 项目仍处于早期阶段，但对 Pandas 来说是一个非常有发展前景的补充。Modin 为用户处理所有的数据分区和重组任务，这样我们就可以集中精力处理工作流程。Modin 的基本目标是让用户能够在小数据和大数据上使用相同的工具，而不用考虑改变 API 来适应不同的数据规模。
原文链接：https://towardsdatascience.com/get-faster-pandas-with-modin-even-on-your-laptops-b527a2eeda74
WPS Office是一款面向macOS用户的综合办公套件，将文字处理、电子表格、演示文稿、PDF工具、模板与云协作整合在同一应用中。它兼容常见Microsoft Office格式，支持Intel及Apple芯片Mac，基础功能可免费使用，
Shapr3D是一款面向工业设计、机械工程、建筑概念和三维打印工作流的CAD软件。Mac版采用Parasolid建模内核，支持草图约束、实体建模、工程图、可视化渲染及常见CAD格式交换，并可通过账户在多台设备之间同步项目。
REAPER是Cockos开发的数字音频工作站，提供多轨音频与MIDI录制、剪辑、处理、混音和母带制作工具。Mac版兼容Intel与Apple芯片，支持AU、VST、VST3、CLAP等插件格式，并提供高度可定制的工作流程。
Ableton Live 是面向音乐制作人与现场表演者的数字音频工作站，提供编曲视图、独具特色的现场视图、音频录制、MIDI创作、实时变速、乐器及效果器。Mac版原生支持Apple芯片，并可连接音频接口、MIDI控制器和第三方插件。
Adobe After Effects 是面向动态图形、影视特效与视频合成的专业创作软件。它提供关键帧动画、遮罩抠像、运动跟踪、三维空间、文字动画和表达式等工具，并可与 Premiere Pro、Photoshop、Illustrator
Adobe Audition 是面向播客、影视后期、音乐制作及内容创作者的专业音频工作站，提供波形精修、多轨录制与混音、频谱编辑、降噪修复、响度匹配和效果处理工具，并可与 Adobe Premiere 协同完成视频声音制作。
Adobe Bridge 是面向摄影师、设计师及内容团队的免费数字资产管理工具，可集中预览照片、视频和 Adobe 项目文件，并利用评级、标签、关键词、元数据、筛选与收藏集完成分类检索。它还支持批量重命名、格式导出、相机导入及 Camera
Adobe Illustrator 是 Adobe 推出的专业矢量图形设计软件，适合在 Mac 上制作标志、图标、插画、包装、信息图及印刷版面。它以路径和锚点构建可无损缩放的图形，并提供钢笔、形状、文字、图像描摹、渐变、画板及生成式功能。
Adobe InDesign 是面向印刷品与数字出版物的专业版面设计软件，可在 Mac 上制作书籍、杂志、宣传册、海报、报告及交互式文档。它提供精细的文字样式、网格、母版、长文档管理和印前输出能力。
Adobe Lightroom Classic 是面向桌面摄影工作流的照片管理与后期处理软件，可将原始照片保存在本地硬盘，通过目录、关键词、评分和收藏夹高效整理图库，并提供 RAW 冲印、蒙版、镜头校正、批量同步及多格式导出等功能。
Adobe Media Encoder 是 Adobe 推出的专业音视频编码与转码工具，可通过队列、预设和监视文件夹批量完成格式转换、代理文件创建及多平台成片输出，并与 Premiere Pro、After Effects 等软件紧密协作。
Adobe Photoshop 是面向摄影师、设计师和内容创作者的专业图像处理软件，提供图层、蒙版、选区、修复、调色、文字排版、智能对象及生成式编辑等能力。Mac 版支持 Intel 与 Apple Silicon 处理器。
Adobe Photoshop 是面向摄影师、设计师和内容创作者的专业图像处理工具，可在 Windows 上完成照片修饰、选区抠图、图层合成、文字排版、绘画及生成式编辑。软件采用订阅授权，由 Creative Cloud 管理安装、更新与许
Adobe InDesign 是面向印刷与数字出版的专业页面排版工具，可制作书籍、杂志、宣传册、海报、交互式 PDF 和电子书。它提供精细的文字样式、多页面管理、印前检查及多格式输出能力，并能与 Photoshop、Illustrator
Adobe Illustrator 是用于绘制矢量图形、插画、图标、徽标和版式的专业设计工具。它以路径和锚点为核心，作品放大后仍能保持清晰，并提供画板、文字、渐变、图像描摹及精确变换等功能，适合品牌视觉、印刷物料、数字界面和商业插画创作。
Adobe Bridge 是 Adobe 推出的创意资产管理工具，可集中预览、分类和查找照片、视频、PDF及多种设计文件，并支持元数据、关键词、评级、批量重命名和格式导出。它可与 Photoshop、Illustrator 等应用衔接，
Affinity Photo 是一款面向摄影师、修图师和视觉设计人员的桌面图像编辑工具，提供 RAW 显影、多图层合成、蒙版、实时滤镜、批处理和色彩管理等功能。原独立产品已停止销售，其照片编辑能力已延续至免费的新 Affinity 应用；
Adobe Lightroom Classic 是面向 Windows 桌面摄影工作流的照片管理与无损编辑工具，可通过目录集中整理大型图库，并完成 RAW 显影、局部蒙版、批量调整、打印和多格式导出。它强调本地文件管理与精细控制，
Figma 是面向产品设计与开发团队的云端协作平台，可在 Windows 桌面客户端中完成界面绘制、组件管理、交互原型、评论评审和开发交付。文件保存在云端，多名成员能够同步编辑并共享设计系统；官方同时提供免费 Starter 方案及按席位计
Affinity Designer 是面向矢量图形、数字插画和界面设计的专业创作工具，可在矢量、像素与导出工作区之间快速切换。它提供曲线编辑、形状构建、画板、排版、图层和专业色彩管理，并支持常见设计文件的导入及多种印刷、网页格式输出。
Capture One Pro 是面向摄影师和影像团队的专业桌面照片处理工具，提供相机定制色彩配置、RAW转换、图层与蒙版、联机拍摄、目录及会话管理等功能。它适合棚拍、人像、商业产品、婚礼和风光摄影，
Adobe Acrobat Pro 是面向专业 PDF 工作的综合解决方案，可在 Windows 中创建、编辑、转换、比较、整理和保护文档，并支持表单、电子签名、扫描件文字识别及敏感信息永久遮盖。订阅还包含网页、移动服务和云端协作能力，
Adobe After Effects 是面向动态图形、动画与影视视觉特效制作的专业工具，可完成关键帧动画、图层合成、遮罩跟踪、抠像、文字动画和二维三维元素整合。Windows 版通过 Adobe Creative Cloud 安装及更新，
DaVinci Resolve是Blackmagic Design推出的一体化影视后期工具，将素材管理、非线性剪辑、专业调色、Fusion视觉特效、Fairlight音频处理和成片交付整合在统一工程中。免费版已覆盖多数个人创作需求，