Created
February 10, 2018 00:52
-
-
Save Xophe92/d3c43aaa1bf1ebe8ba695f00077a8b66 to your computer and use it in GitHub Desktop.
Expérimentation avec Dask
This file contains bidirectional Unicode text that may be interpreted or compiled differently than what appears below. To review, open the file in an editor that reveals hidden Unicode characters.
Learn more about bidirectional Unicode characters
# -*- coding: utf-8 -*- | |
""" | |
Created on Sat Feb 10 22:10:31 2018 | |
@author: Xophe92 | |
Découverte de DASK/DataFrames (pandas en multicoeur ou en clusters...) | |
Préféré à PySpark car | |
* code natif python (pandas et numpy sous le manteau) | |
* semble permettre un impact minimal sur le code déjà produit en pandas | |
Ceci est un script visant à estimer le gain à attendre d'un passage de pandas à | |
DASK. Fonctionnalité testée : apply | |
L'ordinateur de test possède 4 coeurs (i5-4466) | |
""" | |
# %% Chargement | |
import pandas as pd | |
import dask | |
import dask.dataframe as dd | |
import dask.multiprocessing | |
from dask.distributed import Client, progress | |
import numpy as np | |
import time | |
# On travaille en en multicoeur ou en cluster local au choix: | |
# Option 1 : multi-core | |
#dask.set_options(get=dask.multiprocessing.get) | |
# Option 2 : cluster local (ie. multicore mais avec interface web de monitoring) | |
# RDV à http://localhost:8787/status | |
c = Client() | |
#créations de données bidon dans un pandas dataframe (pdf) | |
pdf = pd.DataFrame(np.random.randint(0,100,size=(1000000, 4)), columns=list('ABCD')) | |
# %% helper function ajoutée aux pandas dataframes | |
# apply_with_Dask s'utilisera de la même manière que apply ! | |
def apply_with_Dask(self, fun, usedColumns=None, npartitions=4, axis=1): | |
if usedColumns is None: | |
usedColumns = self.columns | |
return dd.from_pandas(self[usedColumns], npartitions=npartitions).\ | |
map_partitions(lambda x: x.apply(fun, axis=axis)).compute() | |
pd.DataFrame.apply_with_Dask = apply_with_Dask | |
# %% test d'utilisation et comparaison des tesmps d'exécution | |
fun = lambda y: y['A']^2 + y['B']^2 | |
start = time.time() | |
a = pdf.apply_with_Dask(fun, ['A', 'B']) | |
end = time.time() | |
print('Exécution via Dask {0:.2f}'.format(end-start)) | |
start = time.time() | |
a = pdf.apply_with_Dask(fun) | |
end = time.time() | |
print('Exécution via Dask {0:.2f} (toutes les colonnes sont reprises)'.format(end-start)) | |
start = time.time() | |
b = pdf.apply(fun, axis=1) | |
end = time.time() | |
print('Exécution sans Dask {0:.2f}'.format(end-start)) | |
pd.DataFrame(list(zip(a, b)), columns=list('cd')).head(500).plot.scatter(x='c', y='d') | |
#Exécution via Dask 5.59 | |
#Exécution via Dask 5.72 (toutes les colonnes sont reprises) | |
#Exécution sans Dask 19.39 | |
c.close() |
Sign up for free
to join this conversation on GitHub.
Already have an account?
Sign in to comment
Et cela fait joli sur l'écran :)