Python大數(shù)據(jù)分析神器Dask有什么用

這篇文章主要介紹Python大數(shù)據(jù)分析神器Dask有什么用，文中介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們一定要看完！

1、什么是Dask？

Pandas和Numpy大家都不陌生了，代碼運行后數(shù)據(jù)都加載到RAM中，如果數(shù)據(jù)集特別大，我們就會看到內(nèi)存飆升。但有時要處理的數(shù)據(jù)并不適合RAM，這時候Dask來了。

Dask是開源免費的。它是與其他社區(qū)項目（如Numpy，Pandas和Scikit-Learn）協(xié)調(diào)開發(fā)的。

官方：https://dask.org/

Dask支持Pandas的DataFrame和NumpyArray的數(shù)據(jù)結(jié)構(gòu)，并且既可在本地計算機上運行，也可以擴展到在集群上運行。

基本上，只要編寫一次代碼，使用普通的Pythonic語法，就可在本地運行或部署到多節(jié)點集群上。這本身就是一個很牛逼的功能了，但這還不是最牛逼的。

我覺得Dask的最牛逼的功能是：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行代碼。而并行處理數(shù)據(jù)就意味著更少的執(zhí)行時間，更少的等待時間和更多的分析時間。

下面這個就是Dask進行數(shù)據(jù)處理的大致流程。

2、Dask支持哪些現(xiàn)有工具？

這一點也是我比較看中的，因為Dask可以與Python數(shù)據(jù)處理和建模的庫包兼容，沿用庫包的API，這對于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)門檻和時間成本的。

目前，Dask可支持pandas、Numpy、Sklearn、XGBoost、XArray、RAPIDS等等，光是這幾項我覺得就足夠用了，至少對于常用的數(shù)據(jù)處理、建模分析是完全覆蓋得掉的。

3、Dask安裝

可以使用 conda 或者 pip，或從源代碼安裝dask 。

conda install dask

因為dask有很多依賴，所以為了快速安裝也可用下面代碼，將安裝運行Dask所需的最少依賴關(guān)系集。

conda install dask-core

再有就是通過源來安裝。

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

4、Dask如何使用？

Numpy、pandas

Dask引入了3個并行集合，它們可以存儲大于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節(jié)點上的數(shù)據(jù)。

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。

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())

這些高級接口在略微變化的情況下復(fù)制了標準接口。對于原始項目中的大部分API，這些接口會自動為我們并行處理較大的數(shù)據(jù)集，實現(xiàn)上不是很復(fù)雜，對照Dask的doc文檔即可一步步完成。

Delayed

下面說一下Dask的 Delay 功能，非常強大。

Dask.delayed是一種并行化現(xiàn)有代碼的簡單而強大的方法。之所以被叫做delayed是因為，它沒有立即計算出結(jié)果，而是將要作為任務(wù)計算的結(jié)果記錄在一個圖形中，稍后將在并行硬件上運行。

有時問題用已有的dask.array或dask.dataframe可能都不適合，在這些情況下，我們可以使用更簡單的dask.delayed界面并行化自定義算法。例如下面這個例子。

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

上面代碼在單個線程中按順序運行。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)放入計算任務(wù)圖中。

我們簡單修改代碼，用delayed函數(shù)包裝一下。

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)

代碼運行后inc、double、add和sum都還沒有發(fā)生，而是生成一個計算的任務(wù)圖交給了total。然后我們用visualizatize看下任務(wù)圖。

total.visualize()

上圖明顯看到了并行的可能性，所以毫不猶豫，使用compute進行并行計算，這時才完成了計算。

>>> total.compute()
45

由于數(shù)據(jù)集較小無法比較時間，這里只介紹下使用方法，具體可自己動手實踐下。

Sklearn機器學(xué)習(xí)

關(guān)于機器學(xué)習(xí)的并行化執(zhí)行，由于內(nèi)容較多，東哥會在另一篇文章展開。這里簡單說下一下dask-learn。

dask-learn項目是與Sklearn開發(fā)人員協(xié)作完成的?，F(xiàn)在可實現(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。

因此，如果你將sklearn替換為dklearn，那么速度將會提升很多。

# 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會在40秒鐘左右執(zhí)行此計算，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可以展示整個計算過程的dashboard，由Bokeh實現(xiàn)。

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

以上是“Python大數(shù)據(jù)分析神器Dask有什么用”這篇文章的所有內(nèi)容，感謝各位的閱讀！希望分享的內(nèi)容對大家有幫助，更多相關(guān)知識，歡迎關(guān)注億速云行業(yè)資訊頻道！