用微信扫码二维码

分享至好友和朋友圈

Pandas 2.0正式版在4月3日已经发布了，以后我们pip install默认安装的就是2.0版了，Polars 是最近比较火的一个DataFrame 库，最近在kaggle上经常使用，所以这里我们将对比下 Pandas 1.5，Polars，Pandas 2.0 。看看在速度上 Pandas 2.0有没有优势。

Polars

Polars 是一个 Rust 和 Python 中的快速多线程 DataFrame 库/内存查询引擎。它使用 Apache Arrow作为内存模型在 Rust 中实现。它在2021年3月发布。

Polars的一些主要特点如下：

Polars的一个最大好处是，它不仅有Python的包，Nodejs，Rust等也可以方便的进行继承使用，并且经过各方的验证，它的确要比Pandas1.x快很多。

Pandas 2.0

在之前的文章我们已经介绍了 Pandas 2.0，“它要快得多”(还不是稳定版本)。并且它也有了Apache Arrow的后端。

现在，他的正式版发布了，对于Pandas 2.0 的更新请看官网说明

下面我们就要开始进行简单的测试了，我们要测试这3个库的性能，所以需要使用一些比较大型的数据集。这里我们使用纽约出租车数据集。

简单ETL

从Data Talks Club下载csv数据集，NYC.gov下载parquet数据集。

还需要纽约市区域。

1、E 提取

把csv文件和parquet文件转换为DF，测试提取的性能。

下面是pandas的

def pd_read_csv(path, engine_pd,):"""Converting csv file into Pandas dataframe"""df= pd.read_csv(path, engine=engine_pd)return dfdef pd_read_parquet(path, ):"""Converting parquet file into Pandas dataframe"""df= pd.read_parquet(path,)return df

这里是Polars的

def pl_read_csv(path, ):"""Converting csv file into Pandas dataframe"""df= pl.read_csv(path,)return dfdef pl_read_parquet(path, ):"""Converting parquet file into Pandas dataframe"""df= pl.read_parquet(path,)return df

读取代码如下：

path1="yellow_tripdata_2021-01.csv.gz"df_trips= pd_read_csv(path1, engine_pd)path2="taxi+_zone_lookup.csv"df_zone= pd_read_csv(path2, engine_pd)path1="yellow_tripdata_2021-01.parquet"df_trips= pd_read_parquet(path1,)path2 = "taxi+_zone_lookup.csv"df_zone = pd_read_csv(path2, engine_pd)

2、T 转换

为了测试，我们通过Pickup Id获取trip_distance的均值;

过滤查询性能所以获取以“East”结尾的区域。

Pandas代码：

def mean_test_speed_pd(df_pd):"""Getting Mean per PULocationID"""df_pd = df_pd[['PULocationID', 'trip_distance']]df_pd["PULocationID_column"] = df_pd[['PULocationID']].astype(int)df_pd=df_pd.groupby('PULocationID').mean()return df_pddef endwith_test_speed_pd(df_pd):"""Only getting Zones that end with East"""df_pd = df_pd[df_pd.Zone.str.endswith('East')]return df_pd

Polars

def mean_test_speed_pl(df_pl):"""Getting Mean per PULocationID"""df_pl = df_pl[['PULocationID', 'trip_distance']].groupby('PULocationID').mean()return df_pldef endwith_test_speed_pd(df_pl):"""Only getting Zones that end with East"""df_pl = df_pl.filter(pl.col("Zone").str.ends_with('East'))return df_pl

3、L 加载

将最终结果加载回parquet文件，可以测试写入性能：

pandas

def loading_into_parquet(df_pd, engine):"""Save dataframe in parquet"""df_pd.to_parquet(f'yellow_tripdata_2021-01_pd_v{pd.__version__}.parquet',engine)

polars

def loading_into_parquet(df_pl):"""Save dataframe in parquet"""df_pl.write_parquet(f'yellow_tripdata_2021-01_pl.parquet')

4、结果展示

运行ETL流程后，根据每个过程的秒平均值，测试性能的最终结果如下表所示。

可以看到POLARS很棒

但是上面代码是不是有问题呢？

对，还记得我们在pandas2.0那篇文章中说过，read_csv获得Numpy数据类型，为read_parquet获得Pyarrow数据类型。而Polars中，当我们执行read_csv和read_parquet时，我们为所有列获得相同的数据类型。所以我们测试的并不准确。 另外我们也没有比较比较RAM和CPU的使用情况，所以没有全方位的测试。

下面我们开始修复上面的问题，并添加RAM和CPU的使用情况，这样应该算是一个比较完善的测试了。

CPU和RAM分析

我们可以使用process.memory_info()检查每个函数之前、之后和之间的内存。而psutil.cpu_percent可以获得最近2秒内的CPU。所以就有了下面的装饰器：

import osimport psutildef process_memory():process = psutil.Process(os.getpid())mem_info = process.memory_info()return mem_info.rssdef process_cpu():"""Getting cpu_percent in last 2 seconds"""cpu_usage = psutil.cpu_percent(2)return cpu_usage# decorator function memdef profile_mem(func):def wrapper(*args, **kwargs):mem_before = process_memory()result = func(*args, **kwargs)mem_after = process_memory()print("Consumed memory: {:,}".format(mem_before, mem_after, mem_after - mem_before))return resultreturn wrapper# decorator function cpudef profile_cpu(func):def wrapper(*args, **kwargs):result = func(*args, **kwargs)cpu_after = process_cpu()print(f"Consumed cpu: {cpu_after}")return resultreturn wrapper

装饰器调用方法如下图所示

完整测试结果

我们就直接来看结果了(每个测试都运行了三次):

parquet文件提取的新脚本，最终的时间结果与前面测试类似：

CPU结果

RAM的结果

结果难以解释，但是可以说明rust的确内存占用高

但是我们看到，POLARS的确还是要快一些，如果在处理时间是一个非常重要的指标的时候可以试试POLARS（但是他的CPU占用高，说明如果比较慢的CPU也不一定能获得提高，还要具体测试），如果你不想学习POLARS的语法，那么Pandas 2.0应该是速度很快的一个折中的选择了。

如果你想自己测试，完整代码在这里：

https://avoid.overfit.cn/post/73c12c85ff124f9bb7947ac4d82316b8

作者：Luís Oliveira

特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。

Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.