python - 为什么我使用 modin.pandas 比使用 Pandas 需要更长的时间 [ray]

Question

我只是一个喜欢用 Python 处理数据的 Python 新手。

当我能够使用 Python 的代表性数据工具 Pandas 时，它似乎能够非常快速地在 Excel 上工作。

但是，我有点失望地看到检索 470,000 行的数据（.xlsx）需要超过 1 到 2 分钟，结果我发现使用 modin 和 ray（或 dask）可以更快地运行。

在学习了如何简单地使用它之后，我将它与仅使用 Pandas 进行了比较。（这次是100M行数据，大约5GB）

import ray
ray.init()
import modin.pandas as md

%%time
TB = md.read_csv('train.csv')
TB

但是写 Pandas 只用了 1 分 3 秒，而写 modin [ray] 却用了 1 分 9 秒。我很失望地看到它需要更长的时间，而不仅仅是一个小的差异。

我怎样才能比 pandas 更快地使用 modin？groupby 或 merge 之类的复杂操作？单纯读取数据有没有区别？

别人用modin读取数据比较快，是不是我电脑设置有问题？我想知道为什么。

在此处输入图像描述

记下提示安装的方法，以备不时之需。

!pip install modin[ray]
!pip install ray[default]

标签： pythonpandasraymodin

Answer 1

首先，要进行公平评估，您始终需要使用 %%timeit 魔术命令，它可以为您提供多次运行的平均值。

Modin 通常在以下情况下效果最佳：

1. 非常大的文件
2. 大量内核

在你的情况下，我相信这种不起眼的性能主要是由于 Ray/Dask 完成的多处理管理，例如工作人员调度和所有进入并行化的设置。当您满足上述 2 个标准中的至少一个（特别是第一个，给定任何当前处理器）时，资源管理和从 Modin 获得的加速之间的权衡对您有利，但 5GB 文件也不是 6核心足够大，可以对您有利。并行化成本高昂，任务必须值得。

如果是一次性的，1-2分钟对于这类事情来说根本不是不合理的时间。如果它是您要连续读写的文件，我建议将其写入 HDF5 或 pickle 格式，在这种情况下，您的读/写性能将比仅使用 Modin 提高得多。

或者，Vaex是读取任何 df 的最快选择。不过，我个人认为它仍然非常不完整，有时与除了简单的数值数据操作之外的承诺不符，例如当您的数据中有大字符串时。