Pandas 2.0正式版发布： Pandas 1.5，Polars，Pandas 2.0 速度对比测试

Posted 2023-04-06 deephub

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：

1. 快速：Polars在处理大型数据集时非常高效。它使用Rust编写，利用Rust的内存安全和零成本抽象，可以在不牺牲性能的情况下处理大规模数据集。
2. 可扩展：Polars支持并行化和分布式计算，因此可以处理非常大的数据集。它还具有可插拔的数据源接口，可以从不同的数据源读取和写入数据。
3. 易于使用：Polars具有类似于Pandas的API，因此熟悉Pandas的用户可以很容易地开始使用Polars。它还具有完整的文档和示例，可帮助用户快速入门。
4. 支持多种数据类型：Polars支持许多常见的数据类型，包括数字，布尔值，字符串和日期时间。它还支持类似于DataFrame的表格结构，可以进行列操作和过滤等操作。

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：

https://pandas.pydata.org/docs/dev/whatsnew/v2.0.0.html

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。

 !wget https://github.com/DataTalksClub/nyc-tlc-data/releases/download/yellow/yellow_tripdata_2021-01.csv.gz
 !wget  https://d37ci6vzurychx.cloudfront.net/trip-data/yellow_tripdata_2021-01.parquet

还需要纽约市区域。

 !wget https://s3.amazonaws.com/nyc-tlc/misc/taxi+_zone_lookup.csv

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 df
 def 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 df
 def 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_pd
 
 def 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_pl
 
 def 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_vpd.__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

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 os
 import psutil
 
 def process_memory():
     process = psutil.Process(os.getpid())
     mem_info = process.memory_info()
     return mem_info.rss
 
 def process_cpu():
     """
     Getting cpu_percent in last 2 seconds
     """
     cpu_usage = psutil.cpu_percent(2)
     return cpu_usage
 
 # decorator function mem
 def 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 result
     return wrapper
 
 # decorator function cpu
 def profile_cpu(func):
     def wrapper(*args, **kwargs):
         result = func(*args, **kwargs)
         cpu_after = process_cpu()
         print(f"Consumed cpu: cpu_after")
             
 
         return result
     return 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

pandas模块

pandas模块

pandas官方文档：https://pandas.pydata.org/pandas-docs/stable/?v=20190307135750

pandas基于Numpy，可以看成是处理文本或者表格数据。pandas中有两个主要的数据结构，其中Series数据结构类似于Numpy中的一维数组，DataFrame类似于多维表格数据结构。

pandas是python数据分析的核心模块。它主要提供了五大功能:

1. 支持文件存取操作，支持数据库(sql)、html、json、pickle、csv(txt、excel)、sas、stata、hdf等。
2. 支持增删改查、切片、高阶函数、分组聚合等单表操作，以及和dict、list的互相转换。
3. 支持多表拼接合并操作。
4. 支持简单的绘图操作。
5. 支持简单的统计分析操作。

一、Series数据结构

Series是一种类似于一维数组的对象，由一组数据和一组与之相关的数据标签（索引）组成。

Series比较像列表（数组）和字典的结合体

import numpy as np
import pandas as pd
df = pd.Series(0, index=['a', 'b', 'c', 'd'])
print(df)

a 0
b 0
c 0
d 0
dtype: int64

print(df.values)
print(df.index)

[0 0 0 0]

ndex([‘a‘, ‘b‘, ‘c‘, ‘d‘], dtype=‘object‘)

1.1Series支持NumPy模块的特性（下标）

详解	方法
从ndarray创建Series	Series(arr)
与标量运算	df*2
两个Series运算	df1+df2
索引	df[0], df[[1,2,4]]
切片	df[0:2]
通用函数	np.abs(df)
布尔值过滤	df[df>0]