たった1行のコードで、Pandasは数秒で分散化され、テラバイトレベルのデータを素早く処理できる。

たった1行のコードで、Pandasは数秒で分散化され、テラバイトレベルのデータを素早く処理できる。

私は Pandas で数十 KB のデータの処理スクリプトのテストと作成を終えたばかりですが、今度は数百 TB の同様の大規模なデータセットが目の前にあります。この時点で、次のようなジレンマに直面するかもしれません。

  • 引き続きPandasを使用しますか?かなり遅い可能性があり、数百 TB のデータは扱いにくいかもしれません。

(ಥ_ಥ) ただし、Spark と分散システムの学習曲線は非常に急です。 Pandas で書かれた処理スクリプトはすべて役に立たない。とても悲しいです。

落胆しないでください。Spark はもう必要ないかもしれません。

現在カリフォルニア大学バークレー校の RiseLab で研究されている Pandas on Ray は、Pandas の実行速度を速め、TB レベルのデータを処理できるように設計されています。この DataFrame ライブラリは、API を変更せずにパフォーマンス、速度、スケーラビリティを向上させ、既存の Pandas ユーザーのニーズを満たすことを目的としています。

研究チームによれば、コードを 1 行置き換えるだけで、8 コア マシン上の Pandas クエリを 4 倍に増やすことができるとのことです。

実際のところ、これは Pandas のいくつかの関数を、Ray に基づいて実行される API に置き換えるだけです。 Ray は、今年初めにバークレーが立ち上げた分散 AI フレームワークです。わずか数行のコードで、家庭用コンピュータ上のプロトタイプ アルゴリズムを、大規模な展開に適した分散コンピューティング アプリケーションに変換できます。

Pandas on Ray のパフォーマンスは、別の分散 DataFrame ライブラリ Dask ほど良くはありませんが、使いやすく、Pandas とほぼ同じです。ユーザーは分散コンピューティングを理解する必要はなく、新しい API を学習する必要もありません。

Dask とは異なり、Ray は Apache Arrow の共有メモリ オブジェクト ストレージを使用するため、データをシリアル化してコピーすることなくプロセス間通信が可能になります。

8 コア、32G メモリの AWS m5.2xlarge インスタンスで csv を読み込む場合の Ray、Dask、Pandas のパフォーマンス比較

Pandas をラップし、データと計算を透過的に分散します。ユーザーは、システムまたはクラスターにいくつのコアがあるかを知る必要はなく、データの分散方法を指定する必要もなく、以前の Pandas ノートブックを引き続き使用できます。

前述したように、Ray で Pandas を使用するには、コードを 1 行置き換える必要がありますが、これは実際にはインポート ステートメントを置き換えるだけです。

  1. # pandas をpdとしてインポート
  2. ray.dataframeをpdとしてインポートする

この時点で、次のように表示されます。

初期化後、Ray はマシン上で使用可能なコアを自動的に識別します。以降の使い方はPandasと同じです。

Pandas on Ray はまだ初期段階であり、Pandas 機能のサブセットを実装しています。株価変動のデータセットを例にとると、Pandas がサポートする関数には、データのチェック、増加日数のクエリ、日付によるインデックス作成、日付によるクエリ、株価が上昇したすべての日付のクエリなどがあります。

このプロジェクトの最終的な目標は、Ray に Pandas API の機能を完全に実装し、ユーザーがクラウド上で Pandas を使用できるようにすることです。

現在、Berkeley RiseLab の研究者は 45 日間で Pandas DataFrame API の 25% を実装しました。

[[221787]]

革命はまだ成功しておらず、プロジェクトは継続中です。これに取り組んでいる人々は次のとおりです:

デビン・ピーターソーン、ロバート・西原、フィリップ・モリッツ、サイモン・モー、クナル・ゴサール、ヘレン・チェ、ハリカラン・スッバラジ、ピーター・ヴィアマン、ローハン・シン、ジョセフ・ゴンザレス、イオン・ストイカ、アンソニー・ジョセフ

  • Pandas on Ray についてさらに詳しく知りたい場合は、RiseLab ブログのオリジナル記事をご覧ください: https://rise.cs.berkeley.edu/blog/pandas-on-ray/
  • Pandas on Ray を試すには、このドキュメントを参照してください: https://rise.cs.berkeley.edu/blog/pandas-on-ray/
  • Ray チームにリクエストを行うには、GitHub で問題を開いてください: https://github.com/ray-project/ray/issues
  • Ray に興味がある方は、以下の論文をお読みください: https://arxiv.org/abs/1712.05889

<<:  PBレベルの分散ストレージであるCephを見てみましょう

>>:  Appleの技術コンサルタントと議論しないでください

推薦する

ウェブマスターネットワークからの毎日のレポート:JD.comとDangdangが価格戦争を開始、Lashou創設者は2020年に再び戦う

1. 新浪微博は削除されたコンテンツを閲覧できることが暴露され、抜け穴ではないと回答した数日前、李開...

Profitserver: オランダのアムステルダムにある VPS の簡単なレビュー

ロシアの会社であるProfitserverは、複数のデータセンターでVPSを運営しています。ここでは...

VMware がクラウド コンピューティング戦略と技術ロードマップを公開

VMworld Europe 2009 において、VMware (NYSE: VMW) の社長兼 C...

SEOサイクルを正確に見積もる方法

単純にSEO受注の観点から言えば、SEOサイクルを正確に見積もるのはかなり面倒な作業です。現在有名な...

ChinaJoy 2019 の最も完全なランニング ガイド!

ChinaJoy 2019は8月2日から8月5日(金曜日から翌月曜日)まで上海で盛大に開催されます。...

エッジコンピューティングに関する誤解

エッジ コンピューティングの出現は、より広範なクラウド コンピューティングおよびインフラストラクチャ...

客室乗務員が「代理購入」の罪で有罪判決を受け控訴

「代理購入」で有罪判決を受けた客室乗務員が控訴 王若静/ビジネスデイリー記者アオ・シャンフェイ制作元...

Xuziyu: ウェブサイト外部リンク分析の SEO 診断レポート

みなさんこんにちは。私は徐子宇です。以前、SEO診断の6つの側面、「Xu Zi Yu:SEO診断レポ...

マイクロソフト インテリジェント クラウドは中国のデータセンターを拡張し、2022 年に商用運用を開始します。

[[384907]] 3月3日のBit.netによると、マイクロソフトは中国市場におけるクラウドサー...

アプリが新規ユーザーを引き付けるための2つの重要なチャネル:ASOプロモーション+既存ユーザーの維持

1. ASO最適化:内部と外部の統合、ユーザー不足を心配する必要はありませんASO最適化は長い間存在...

2022 年のクラウド コンピューティングの 8 つのトレンド: 過剰支出、セキュリティ、ワークロード

平均的な企業がパブリック クラウドに 120 万ドルから 600 万ドルを費やしていることから、中小...

ハイブリッドITでクラウドファーストからクラウドベストへと考え方を変える

デジタル変革は数年にわたり多くの企業にとって大きな優先事項となってきましたが、進行中のパンデミックに...

A5マーケティング:不動産サイトがダウングレードされた後に注目すべき4つのポイント

先週木曜日の夜、百度が大規模なアップデートを実施し、多くの業界のウェブサイトが格下げ、禁止、権利剥奪...