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

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：

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。

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。

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。

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_v.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: ")

      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://github.com/guoliveira/data-engineer-zoomcamp-project/tree/main/Python_scripts

作者：Luís Oliveira