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
Servarica は 2 年間運営されています。現在、XEN ベースの VPS の特別プロモーショ...
今日、クラウド コンピューティングの使用が増加しており、市場投入までの時間の短縮、プラットフォームの...
最近、一部のネットユーザーが、百度で特定の人物のキーワードを検索すると、その人物に関する情報が表示さ...
ソーシャル メディアの人気により、ウェブマスターは多忙になり、より多くのソーシャル メディア マーケ...
みなさんこんにちは。私はMuzi Chengzhouです。ソフト記事の役割は誰もが知っています。A5...
私はしばらくソフトテキストプロモーションを行っています。最近、上司から利益について尋ねられました。こ...
少し前に、eBay は新しいバージョンのリリースを発表しました (www.eBay.com/feed...
IDC Review Network (idcps.com) は 5 月 27 日に次のように報告し...
[[254590]] Kubernetes は今年、私のキャリアにとって非常に重要であり、新年も引き...
今年は知乎の設立10周年にあたり、このタイミングで知乎は米国で株式を公開しました。今年3月25日、知...
[51CTO.com クイック翻訳] 新しいテクノロジーの出現、経済の不確実性、家電業界に対する規制...
大企業のほとんどは複数のクラウドを使用しており、すべての開発、データ サイエンス、シャドー IT 作...
最近、工業情報化部は2017年のサービス指向製造モデル企業(プロジェクト、プラットフォーム)のリスト...
OpenVirtuals.com は、大容量ハード ドライブを備えた VPS をいくつか設定していま...
新しいサイトでは、このタイプの顧客に対応する過程で、顧客が常にお金を稼ぐ方法、お金を早く稼ぐ方法、そ...