CPU靠边站！使用cuDF在GPU加速Pandas

前言

使用Pandas Dataframe执行数千甚至数百万次计算仍然是一项挑战。你不能简单的将数据丢进去，编写Python for循环，然后希望在合理的时间内处理数据。公众号在此之前的一篇文章专门介绍了一些方法，请点击查看：

高逼格使用Pandas加速代码，向for循环说拜拜！

尽管如此，即使加速，Pandas仍然只能在CPU上运行。由大家的CPU通常有8个或更少的核，因此达到的加速是有限的。我们的数据集可能有多达数百万、数十亿甚至数万亿个，8核不足以解决这个问题。

幸运的是，随着GPU加速在机器学习领域的成功普及，将数据分析库应用到GPU上有了强大的推动力。cuDF库就是朝这个方向迈出的一步。

cuDF

cuDF（https://github.com/rapidsai/cudf）是一个基于Python的GPU DataFrame库，用于处理数据，包括加载、连接、聚合和过滤数据。向GPU的转移允许大规模的加速，因为GPU比CPU拥有更多的内核。

cuDF的API是Pandas的一面镜子，在大多数情况下可以直接替代Pandas。这使得数据科学家、分析师和工程师很容易将其集成到他们的工作中。

那么，你所需做的是把你的Pandas DataFrame转换成cuDF。cuDF支持Pandas大多数常见的DataFrame操作，因此无需太多学习成本你就可以加速许多常规的Pandas代码。

我们首先安装库文件：

下面是我们测试电脑的配置参数：

• i7–8700k CPU
• 1080 Ti GPU
• 32 GB of DDR4 3000MHz RAM
• CUDA 9.2

获得GPU加速

我们将加载一个包含随机数的Big数据集，并比较不同Pandas操作的速度与使用cuDF在GPU上执行相同操作的速度。

首先初始化Dataframes：一个用于Pandas，一个用于cuDF。DataFrame有超过1亿个单元格！

import pandas as pd
import numpy as np
import cudf

pandas_df = pd.DataFrame({'a': np.random.randint(0, 100000000, size=100000000),
                          'b': np.random.randint(0, 100000000, size=100000000)})
                          
cudf_df = cudf.DataFrame.from_pandas(pandas_df)

在我们的第一个测试中，让我计算一下 Pandas VS cuDF数据中a变量的平均值需要多长时间。%timeit 命令允许我们在Jupyter计算Python命令的速度。

https://docs.python.org/3.6/library/timeit.html

# Timing Pandas
# Output: 82.2 ms per loop
%timeit pandas_df.a.mean()

# Timing cuDF
# Output: 5.12 ms per loop
%timeit cudf_df.a.mean()

平均运行时间显示在代码注释中。我们得到了将近16倍的加速！

现在，做一些更复杂的事情，比如做一个大合并。将Dataframe本身合并到数据Dataframe的b列上。

这里的合并是一个非常大的操作，因为Pandas将不得不寻找并匹配公共值，对于一个有1亿行的数据集来说，这是一个非常耗时的操作！GPU加速将使这变得容易，因为我们有更多的并行进程可以一起工作。

代码：

# Timing Pandas
# Output: 39.2 s per loop
%timeit pandas_df.merge(pandas_df, on='b')

# Timing cuDF
# Output: 2.76 s per loop
%timeit cudf_df.merge(cudf_df, on='b')

即使使用i7-8700k CPU，Pandas完成合并平均也需要39.2秒。而cuDF在GPU上只花了2.76秒。14倍的加速！

快去试试吧！

—End—