python視頻教程欄目介紹一個(gè)大數(shù)據(jù)分析神器ZiT少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)

ZiT少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)

推薦（免費(fèi)）：python視頻教程ZiT少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)

對(duì)于Pandas運(yùn)行速度的提升方法，之前已經(jīng)介紹過很多回了，里面經(jīng)常提及Dask，很多朋友沒接觸過可能不太了解，今天就推薦一下這個(gè)神器。ZiT少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)

1、什么是Dask？ZiT少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)

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來了。ZiT少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)

Dask是開源免費(fèi)的。它是與其他社區(qū)項(xiàng)目（如Numpy，Pandas和Scikit-Learn）協(xié)調(diào)開發(fā)的。ZiT少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)

*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。ZiT少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)

基本上，只要編寫一次代碼，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**牛逼的。ZiT少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)

我覺得Dask的**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)行代碼。而并行處理數(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。ZiT少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)

下面這個(gè)就是Dask進(jìn)行數(shù)據(jù)處理的大致流程。
ZiT少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)

2、Dask支持哪些現(xiàn)有工具？ZiT少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)

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使用者來說學(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)門檻和時(shí)間成本的。ZiT少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)

目前，Dask可支持pandas、Numpy、Sklearn、XGBoost、XArray、RAPIDS等等，光是這幾項(xiàng)我覺得就足夠用了，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。
ZiT少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)

3、Dask安裝ZiT少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)

可以使用 conda 或者 pip，或從源代碼安裝dask 。ZiT少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)

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**少依賴關(guān)系集。ZiT少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)

conda install dask-core

再有就是通過源來安裝。ZiT少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)

git clone https://github.com/dask/dask.git cd dask python -m pip install .

4、Dask如何使用？ZiT少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)

Numpy、pandasZiT少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)

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。這些集合類型中的每一個(gè)都能夠使用在RAM和硬盤之間分區(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)。ZiT少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)

Dask的使用是非常清晰的，如果你使用NumPy數(shù)組，就從Dask數(shù)組開始，如果你使用Pandas DataFrame，就從Dask DataFrame開始，依此類推。ZiT少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)

import dask.array as da x = da.random.uniform(low=0, high=10, size=(10000, 10000), # normal numpy code chunks=(1000, 1000)) # 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。ZiT少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)

DelayedZiT少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)

下面說一下Dask的 Delay 功能，非常強(qiáng)大。ZiT少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)

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鼪]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。ZiT少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)

有時(shí)問題用已有的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。ZiT少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)

def inc(x): return x + 1 def double(x): return x * 2 def add(x, y): return x + y data = [1, 2, 3, 4, 5] 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。ZiT少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)

我們簡(jiǎn)單修改代碼，用delayed函數(shù)包裝一下。ZiT少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)

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。ZiT少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)

total.visualize()

ZiT少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)

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。ZiT少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)

>>> total.compute() 45

由于數(shù)據(jù)集較小無法比較時(shí)間，這里只介紹下使用方法，具體可自己動(dòng)手實(shí)踐下。ZiT少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)

Sklearn機(jī)器學(xué)習(xí)ZiT少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)

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。這里簡(jiǎn)單說下一下dask-learn。ZiT少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)

dask-learn項(xiàng)目是與Sklearn開發(fā)人員協(xié)作完成的。現(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。ZiT少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)

因此，如果你將sklearn替換為dklearn，那么速度將會(huì)提升很多。ZiT少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)

# 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=[50, 100, 150, 250], logistic__C=[1e-4, 1.0, 10, 1e4], 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Client可以展示整個(gè)計(jì)算過程的dashboard，由Bokeh實(shí)現(xiàn)。ZiT少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)

from dask.distributed import Client c = Client('scheduler-address:8786')

ZiT少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)

5、總結(jié)ZiT少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)

以上就是Dask的簡(jiǎn)單介紹，Dask的功能是非常強(qiáng)大的，且說明文檔也非常全，既有示例又有解釋。感興趣的朋友可以自行去*網(wǎng)或者 GitHub學(xué)習(xí)，東哥下次分享使用Dask進(jìn)行機(jī)器學(xué)習(xí)的一些實(shí)例。

以上就是安利大家一個(gè)Python大數(shù)據(jù)分析神器的詳細(xì)內(nèi)容，更多請(qǐng)關(guān)注少兒編程網(wǎng)其它相關(guān)文章！ZiT少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)