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。
(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。
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。 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
|
<<: 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
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...
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...
VMworld Europe 2009 において、VMware (NYSE: VMW) の社長兼 C...
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...
「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...
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...
[[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...
ファーウェイは2019年8月23日、深センでAscend 910 AIプロセッサとMindSpore...
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...
11月28日〜29日、深センで第1回「ベイエリアインサイト2020サイバーセキュリティカンファレンス...
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...
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...
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...