使用PyPolars，让Pandas快三倍

[[422464]]

【51CTO.com快译】Pandas是数据科学家处理数据的最重要的Python软件包之一。Pandas库主要用于数据探索和可视化，它随带大量的内置函数。Pandas无法处理大型数据集，因为它无法在CPU的所有核心上扩展或分布进程。

为了加快计算速度，您可以使用CPU的所有核心，并加快工作流程。有各种开源库，包括Dask、Vaex、Modin、Pandarallel和PyPolars等，它们可以在CPU的多个核心上并行处理计算。我们在本文中将讨论PyPolars库的实现和用法，并将其性能与Pandas库进行比较。

PyPolars是什么?

PyPolars是一个类似Pandas的开源Python数据框库。PyPolars利用CPU的所有可用核心，因此处理计算比Pandas更快。PyPolars有一个类似Pandas的API。它是用Rust和Python包装器编写的。

理想情况下，当数据对于Pandas而言太大、对于Spark而言太小时，使用 PyPolars。

PyPolars如何工作?

PyPolars库有两个API，一个是Eager API，另一个是Lazy API。Eager API与Pandas的API非常相似，执行完成后立即获得结果，这类似Pandas。Lazy API与Spark非常相似，一执行查询，就形成地图或方案。然后在CPU的所有核心上并行执行。

图1. PyPolars API

PyPolars基本上是连接到Polars库的Python绑定。PyPolars库好用的地方是，其API与Pandas相似，这使开发人员更容易使用。

安装：

可以使用以下命令从PyPl安装 PyPolars：

pip install py-polars 

并使用以下命令导入库：

iport pypolars as pl 

基准时间约束：

为了演示，我使用了一个含有2500万个实例的大型数据集(~6.4Gb)。

图2. Pandas和Py-Polars基本操作的基准时间数

针对使用Pandas和PyPolars库的一些基本操作的上述基准时间数，我们可以观察到 PyPolars几乎比Pandas快2到3倍。

现在我们知道PyPolars有一个与Pandas非常相似的API，但仍没有涵盖Pandas的所有函数。比如说，PyPolars中就没有.describe()函数，相反我们可以使用df_pypolars.to_pandas().describe()。

用法：

import pandas as pd 
import numpy as np 
import pypolars as pl 
import time 
WARNING! 
py-polars was renamed to polars, please install polars! 
https://pypi.org/project/polars/ 
 
path = "data.csv" 

读取数据：

s = time.time() 
df_pandas = pd.read_csv(path) 
e = time.time() 
pd_time = e - s 
print("Pandas Loading Time = {}".format(pd_time)) 
C:\ProgramData\Anaconda3\lib\site-packages\IPython\core\interactiveshell.py:3071: DtypeWarning: Columns (2,7,14) have mixed types.Specify dtype option on import or set low_memory=False. 
  has_raised = await self.run_ast_nodes(code_ast.body, cell_name, 
Pandas Loading Time = 217.1734380722046 
 
s = time.time() 
df_pypolars = pl.read_csv(path) 
e = time.time() 
pl_time = e - s  
print("PyPolars Loading Time = {}".format(pl_time)) 
PyPolars Loading Time = 114.0408570766449 

shape：

s = time.time() 
print(df_pandas.shape) 
e = time.time() 
pd_time = e - s 
print("Pandas Shape Time = {}".format(pd_time)) 
(25366521, 19) 
Pandas Shape Time = 0.0 
 
s = time.time() 
print(df_pypolars.shape) 
e = time.time() 
pl_time = e - s  
print("PyPolars Shape Time = {}".format(pl_time)) 
(25366521, 19) 
PyPolars Shape Time = 0.0010192394256591797 

过滤：

s = time.time() 
temp = df_pandas[df_pandas['PAID_AMT']>500] 
e = time.time() 
pd_time = e - s 
print("Pandas Filter Time = {}".format(pd_time)) 
Pandas Filter Time = 0.8010377883911133 
 
s = time.time() 
temp = df_pypolars[df_pypolars['PAID_AMT']>500] 
e = time.time() 
pl_time = e - s  
print("PyPolars Filter Time = {}".format(pl_time)) 
PyPolars Filter Time = 0.7790462970733643 

Groupby：

s = time.time() 
temp = df_pandas.groupby(by="MARKET_SEGMENT").agg({'PAID_AMT':np.sum, 'QTY_DISPENSED':np.mean}) 
e = time.time() 
pd_time = e - s 
print("Pandas GroupBy Time = {}".format(pd_time)) 
Pandas GroupBy Time = 3.5932095050811768 
 
s = time.time() 
temp = df_pypolars.groupby(by="MARKET_SEGMENT").agg({'PAID_AMT':np.sum, 'QTY_DISPENSED':np.mean}) 
e = time.time() 
pd_time = e - s 
print("PyPolars GroupBy Time = {}".format(pd_time)) 
PyPolars GroupBy Time = 1.2332513110957213 

运用函数：

%%time 
 
s = time.time() 
temp = df_pandas['PAID_AMT'].apply(round) 
e = time.time() 
pd_time = e - s 
print("Pandas Loading Time = {}".format(pd_time)) 
Pandas Loading Time = 13.081078290939331 
Wall time: 13.1 s 
 
s = time.time() 
temp = df_pypolars['PAID_AMT'].apply(round) 
e = time.time() 
pd_time = e - s 
print("PyPolars Loading Time = {}".format(pd_time)) 
PyPolars Loading Time = 6.03610580444336 

值计算：

%%time 
 
s = time.time() 
temp = df_pandas['MARKET_SEGMENT'].value_counts() 
e = time.time() 
pd_time = e - s 
print("Pandas ValueCounts Time = {}".format(pd_time)) 
Pandas ValueCounts Time = 2.8194501399993896 
Wall time: 2.82 s 
 
%%time 
 
s = time.time() 
temp = df_pypolars['MARKET_SEGMENT'].value_counts() 
e = time.time() 
pd_time = e - s 
print("PyPolars ValueCounts Time = {}".format(pd_time)) 
PyPolars ValueCounts Time = 1.7622406482696533 
Wall time: 1.76 s 

描述：

%%time 
 
s = time.time() 
temp = df_pandas.describe() 
e = time.time() 
pd_time = e - s 
print("Pandas Describe Time = {}".format(pd_time)) 
Pandas Describe Time = 15.48347520828247 
Wall time: 15.5 s 
 
%%time 
 
s = time.time() 
temp = df_pypolars[temp_cols].to_pandas().describe() 
e = time.time() 
pd_time = e - s 
print("PyPolars Describe Time = {}".format(pd_time)) 
PyPolars Describe Time = 44.31892013549805 
Wall time: 44.3 s 

去重：

%%time 
 
s = time.time() 
temp = df_pandas['MARKET_SEGMENT'].unique() 
e = time.time() 
pd_time = e - s 
print("Pandas Unique Time = {}".format(pd_time)) 
Pandas Unique Time = 2.1443397998809814 
Wall time: 2.15 s 
 
%%time 
 
s = time.time() 
temp = df_pypolars['MARKET_SEGMENT'].unique() 
e = time.time() 
pd_time = e - s 
print("PyPolars Unique Time = {}".format(pd_time)) 
PyPolars Unique Time = 1.0320448875427246 
Wall time: 1.03 s 

保存数据：

s = time.time() 
df_pandas.to_csv("delete_1May.csv", index=False) 
e = time.time() 
pd_time = e - s 
print("Pandas Saving Time = {}".format(pd_time)) 
Pandas Saving Time = 779.0419402122498 
 
s = time.time() 
df_pypolars.to_csv("delete_1May.csv") 
e = time.time() 
pd_time = e - s 
print("PyPolars Saving Time = {}".format(pd_time)) 
PyPolars Saving Time = 439.16817021369934 

结论

我们在本文中简要介绍了PyPolars库，包括它的实现、用法以及在一些基本操作中将其基准时间数与Pandas相比较的结果。请注意，PyPolars的工作方式与Pandas非常相似， PyPolars是一种节省内存的库，因为它支持的内存是不可变内存。

可以阅读说明文档详细了解该库。还有其他各种开源库来并行处理Pandas操作，并加快进程。

参考资料：

Polars说明文档和GitHub存储库：https://github.com/ritchie46/polars

[1] Polars Documentation and GitHub repository: https://github.com/ritchie46/polars

原文标题：Make Pandas 3 Times Faster with PyPolars，作者：Satyam Kumar

【51CTO译稿，合作站点转载请注明原文译者和出处为51CTO.com】