- A+
4 月 24 日,Databricks 在 Spark + AI 峰会上开源了一个新产品 Koalas,它增强了 PySpark 的 DataFrame API,使其与 pandas 兼容。
Python 数据科学在过去几年中爆炸式增长, pandas 已成为生态系统的关键。当数据科学家得到一个数据集时,他们会使用 pandas 进行探索。它是数据处理和分析的终极工具。事实上,pandas 的 read_csv 通常是学生在学习数据科学过程中使用的第一个命令。
问题是什么呢?pandas 不能很好地在大数据中规模应用,因为它专为单个机器可以处理的小型数据集而设计。另一方面,Apache Spark 已成为处理大数据实际上的标准。今天,许多数据科学家将 pandas 用于职业培训、偏好性项目和小型数据任务,但是当他们使用非常大的数据集时,他们必须迁移到 PySpark 以利用 Spark,或对其数据进行下采样以使用 pandas。
现在有了 Koalas,数据科学家可以从单个机器迁移到分布式环境,而无需学习新的框架。正如你在下面所看到的,只需替换一个包,就可以使用 Koalas 在 Spark 上扩展你的 pandas 代码。
pandas:
df = pd.DataFrame({'x': [1, 2], 'y': [3, 4], 'z': [5, 6]}) # Rename columns df.columns = [‘x’, ‘y’, ‘z1’] # Do some operations in place df[‘x2’] = df.x * df.x
Koalas:
import databricks.koalas as ks df = ks.DataFrame({'x': [1, 2], 'y': [3, 4], 'z': [5, 6]}) # Rename columns df.columns = [‘x’, ‘y’, ‘z1’] # Do some operations in place df[‘x2’] = df.x * df.x
pandas 作为 Python 数据科学的标准词汇
随着 Python 成为数据科学的主要语言,社区已经开发了基于最重要的库的词汇表,包括 pandas、matplotlib 和 numpy。当数据科学家能够使用这些库时,他们可以充分表达他们的想法,并根据想法得出结论。他们可以将某些东西概念化并立即执行。
但是当他们不得不在词汇表之外使用库时,他们会遇到麻烦,每隔几分钟就需要检查一次 StackOverflow,还必须中断他们的工作流程才能使代码正常工作。虽然 PySpark 易于使用,并且在很多方面类似于 pandas,但它仍然是一个数据科学家必须学习的不同词汇。
在 Databricks,我们相信 Spark 上的 pandas 将大大提高数据科学家和数据驱动型组织的生产力,原因如下:
- Koalas 无需决定是否为给定的数据集使用 pandas 或 PySpark
- 对于最初用 pandas 为单个机器编写的工作,Koalas 允许数据科学家通过 pandas 和 Koalas 的轻松切换来扩展在 Spark 上的代码
- Koalas 为组织中的更多数据科学家解锁大数据,因为他们不再需要学习 PySpark 以使用 Spark
下面,我们展示了两个简单而强大的 pandas 方法示例,这些方法可以直接在 Spark 上运行 Koalas。
具有分类变量的特征工程
数据科学家在构建 ML 模型时经常会遇到分类变量。一种流行的技术是将分类变量编码为虚拟变量。在下面的示例中,有几个分类变量,包括调用类型、邻域和单元类型。pandas 的 get_dummies 是一种简便的方法。下面我们将展示如何使用 pandas:
import pandas as pd data = pd.read_csv("fire_department_calls_sf_clean.csv", header=0) display(pd.get_dummies(data))
有了 Koalas,我们可以通过一些调整在 Spark 上做到这一点:
import databricks.koalas as ks data = ks.read_csv("fire_department_calls_sf_clean.csv", header=0) display(ks.get_dummies(data))
就是这样!
带时间戳的算术
数据科学家一直使用时间戳,但正确处理这些时间戳非常麻烦。pandas 提供了一个优雅的解决方案。假设你有一个日期的 DataFrame :
import pandas as pd import numpy as np date1 = pd.Series(pd.date_range('2012-1-1 12:00:00', periods=7, freq='M')) date2 = pd.Series(pd.date_range('2013-3-11 21:45:00', periods=7, freq='W')) df = pd.DataFrame(dict(Start_date = date1, End_date = date2)) print(df) End_date Start_date 0 2013-03-17 21:45:00 2012-01-31 12:00:00 1 2013-03-24 21:45:00 2012-02-29 12:00:00 2 2013-03-31 21:45:00 2012-03-31 12:00:00 3 2013-04-07 21:45:00 2012-04-30 12:00:00 4 2013-04-14 21:45:00 2012-05-31 12:00:00 5 2013-04-21 21:45:00 2012-06-30 12:00:00 6 2013-04-28 21:45:00 2012-07-31 12:00:00
要使用 pandas 从结束日期中减去开始日期,只需运行:
df['diff_seconds'] = df['End_date'] - df['Start_date'] df['diff_seconds'] = df['diff_seconds']/np.timedelta64(1,'s') print(df) End_date Start_date diff_seconds 0 2013-03-17 21:45:00 2012-01-31 12:00:00 35545500.0 1 2013-03-24 21:45:00 2012-02-29 12:00:00 33644700.0 2 2013-03-31 21:45:00 2012-03-31 12:00:00 31571100.0 3 2013-04-07 21:45:00 2012-04-30 12:00:00 29583900.0 4 2013-04-14 21:45:00 2012-05-31 12:00:00 27510300.0 5 2013-04-21 21:45:00 2012-06-30 12:00:00 25523100.0 6 2013-04-28 21:45:00 2012-07-31 12:00:00 23449500.0
现在要在 Spark 上做同样的事情,你需要做的就是用 Koalas 替换 pandas:
import databricks.koalas as ks df = ks.from_pandas(pandas_df) df['diff_seconds'] = df['End_date'] - df['Start_date'] df['diff_seconds'] = df['diff_seconds'] / np.timedelta64(1,'s') print(df)
再做一次,就这么简单。
接下来的计划和 Koalas 入门
我们之所以创建 Koalas,是因为我们遇到了许多不愿意处理大数据的数据科学家。我们相信 Koalas 会让数据科学家将工作轻松拓展到 Spark 上,从而让他们获得更多能力。
目前为止,我们已经实现了常见的 DataFrame 操作方法,以及 pandas 中强大的索引技术。以下是我们路线图中的一些即将推出的项目,主要侧重于扩大覆盖范围:
- 用于处理文本数据的字符串操作
- 时间序列数据的日期 / 时间操作
该计划尚处于初期阶段,但正在迅速发展。如果你有兴趣了解更多有关 Koalas 或入门的信息,请查看该项目的GitHub:https://github.com/databricks/koalas
- 安卓客户端下载
- 微信扫一扫
- 微信公众号
- 微信公众号扫一扫