當(dāng)今的數(shù)據(jù)集越來(lái)越大，臺(tái)式機(jī)的內(nèi)存甚至都裝不下，更不用說(shuō)你的筆記本電腦了，盡管如此，在大數(shù)據(jù)時(shí)代，我們總是避免不了要使用大數(shù)據(jù)集，于是Vaex誕生了。

什么是Vaex？

Vaex是一個(gè)高性能Python庫(kù)，可以可視化和探索大型表格數(shù)據(jù)集，它可以在 N 維網(wǎng)格上計(jì)算每秒超過(guò)十億（10^9）個(gè)對(duì)象 / 行的統(tǒng)計(jì)信息，例如均值、總和、計(jì)數(shù)、標(biāo)準(zhǔn)差等， 磁盤上大小超過(guò)100GB的數(shù)據(jù)，用Vaex只需要0.052秒就可以打開。

使用直方圖、密度圖和三維體繪制完成可視化，從而可以交互式探索大數(shù)據(jù)。Vaex 使用內(nèi)存映射、零內(nèi)存復(fù)制策略獲得最佳性能（不浪費(fèi)內(nèi)存）。

Vaex具有以下功能特性：

基于Python數(shù)據(jù)科學(xué)站（例如Panda、Scikit-Learn、arrow、xgboost、lightgbm），標(biāo)準(zhǔn)API易于采用。為Jupyter環(huán)境量身定制。

電腦運(yùn)算，結(jié)合了內(nèi)存映射，復(fù)雜的表達(dá)系統(tǒng)和快速核外算法。有效地可視化和探索大型數(shù)據(jù)集，并在一臺(tái)機(jī)器上構(gòu)建機(jī)器學(xué)習(xí)模型。

基準(zhǔn)測(cè)試，每秒可視化10億個(gè)樣本。與標(biāo)準(zhǔn)實(shí)現(xiàn)相比，PCA轉(zhuǎn)換速度提高了10倍，可在2分鐘內(nèi)處理10億個(gè)樣本。完全超出核心。

高效

Vaex不僅僅是Panda的替代品。盡管在執(zhí)行諸如的表達(dá)式時(shí)，它具有類似于panda的API用于列訪問(wèn)np.sqrt（ds.x**2 + ds.y**2），但不會(huì)進(jìn)行任何計(jì)算。而是創(chuàng)建一個(gè)vaex表達(dá)式對(duì)象，并在打印輸出時(shí)顯示一些預(yù)覽值。

使用表達(dá)式系統(tǒng)，vaex僅在需要時(shí)執(zhí)行計(jì)算。同樣，數(shù)據(jù)也不必是本地的：表達(dá)式可以通過(guò)發(fā)送的方式，統(tǒng)計(jì)信息可以遠(yuǎn)程計(jì)算，這是vaex-server程序包提供的。

虛擬列

我們還可以將表達(dá)式添加到DataFrame中，從而生成虛擬列。虛擬列的行為類似于常規(guī)列，但不占用任何內(nèi)存。Vaex在實(shí)列和虛列之間沒(méi)有區(qū)別，

如果表達(dá)式在運(yùn)行時(shí)真的很復(fù)雜怎么辦？通過(guò)使用Pythran或Numba，我們可以使用手動(dòng)實(shí)時(shí)（JIT）編譯來(lái)優(yōu)化計(jì)算。

遠(yuǎn)程數(shù)據(jù)幀甚至支持JIT版本的表達(dá)式，擔(dān)心RAM不夠？你還可以選擇以RAM為代價(jià)擠出額外的性能。

可視化

進(jìn)行有意義的繪圖和可視化是了解數(shù)據(jù)的最佳方法。。但是，當(dāng)你的DataFrame包含10億行時(shí)，制作標(biāo)準(zhǔn)散點(diǎn)圖不僅會(huì)花費(fèi)很長(zhǎng)時(shí)間，而且會(huì)導(dǎo)致毫無(wú)意義且難以理解的可視化。

讓我們看看這些想法的一些實(shí)際例子。我們可以使用直方圖可視化單個(gè)列的內(nèi)容。

可以將其擴(kuò)展為兩個(gè)維度，從而生成熱圖。我們可以像典型的熱圖那樣簡(jiǎn)單地計(jì)算落入每個(gè)樣本中，而不是計(jì)算平均值，取總和的對(duì)數(shù)或幾乎任何自定義統(tǒng)計(jì)量。

我們甚至可以使用ipyvolume進(jìn)行3維體積渲染。

原文標(biāo)題：0.052秒打開100GB數(shù)據(jù)！這個(gè)Python開源庫(kù)牛X了

文章出處：【微信公眾號(hào)：人工智能與大數(shù)據(jù)技術(shù)】歡迎添加關(guān)注！文章轉(zhuǎn)載請(qǐng)注明出處。

責(zé)任編輯：haq