剛剛在Pandas上為十幾KB的數(shù)據(jù)做好了測試寫好了處理腳本，上百TB的同類大型數(shù)據(jù)集擺到了面前。這時候，你可能面臨著一個兩難的選擇：

• 繼續(xù)用Pandas?可能會相當(dāng)慢，上百TB數(shù)據(jù)不是它的菜。

(ಥ_ಥ) 然而，Spark啊分布式啊什么的，學(xué)習(xí)曲線好陡峭哦~在Pandas里寫的處理腳本都作廢了好桑心哦~

別灰心，你可能真的不需要Spark了。

加州大學(xué)伯克利分校RiseLab最近在研究的Pandas on Ray，就是為了讓Pandas運行得更快，能搞定TB級數(shù)據(jù)而生的。這個DataFrame庫想要滿足現(xiàn)有Pandas用戶不換API，就提升性能、速度、可擴展性的需求。

研究團隊說，只需要替換一行代碼，8核機器上的Pandas查詢速度就可以提高4倍。

其實也就是用一個API替換了Pandas中的部分函數(shù)，這個API基于Ray運行。Ray是伯克利年初推出的分布式AI框架，能用幾行代碼，將家用電腦上的原型算法轉(zhuǎn)換成適合大規(guī)模部署的分布式計算應(yīng)用。

Pandas on Ray的性能雖說比不上另一個分布式DataFrame庫Dask，但更容易上手，用起來和Pandas幾乎沒有差別。用戶不需要懂分布式計算，也不用學(xué)一個新的API。

與Dask不同的是，Ray使用了Apache Arrow里的共享內(nèi)存對象存儲，不需要對數(shù)據(jù)進行序列化和復(fù)制，就能跨進程通訊。

在8核32G內(nèi)存的AWS m5.2xlarge實例上，Ray、Dask和Pandas讀取csv的性能對比

它將Pandas包裹起來并透明地把數(shù)據(jù)和計算分布出去。用戶不需要知道他們的系統(tǒng)或者集群有多少核，也不用指定如何分配數(shù)據(jù)，可以繼續(xù)用之前的Pandas notebook。

前面說過，使用Pandas on Ray需要替換一行代碼，其實就是換掉導(dǎo)入語句。

# import pandas as pd 
import ray.dataframe as pd 

這時候你應(yīng)該看到：

初始化完成，Ray自動識別了你機器上可用的核心，接下來的用法，就和Pandas一樣了。

Pandas on Ray目前還處于早期，實現(xiàn)了Pandas的一部分功能。以一個股票波動的數(shù)據(jù)集為例，它所支持的Pandas功能包括檢查數(shù)據(jù)、查詢上漲的天數(shù)、按日期索引、按日期查詢、查詢股票上漲的所有日期等等。

這個項目的最終目標是在Ray上完整實現(xiàn)Pandas API的功能，讓用戶可以在云上用Pandas。

目前，伯克利RiseLab的研究員們已經(jīng)用45天時間，實現(xiàn)了Pandas DataFrame API的25%。

革命尚未成功，項目仍在繼續(xù)。這些人都在為之努力：

Devin Petersohn, Robert Nishihara, Philipp Moritz, Simon Mo, Kunal Gosar, Helen Che, Harikaran Subbaraj, Peter Veerman, Rohan Singh, Joseph Gonzalez, Ion Stoica, Anthony Joseph

• 更深入地了解Pandas on Ray請看RiseLab博客原文：https://rise.cs.berkeley.edu/blog/pandas-on-ray/
• 試用Pandas on Ray請參考這個文檔：https://rise.cs.berkeley.edu/blog/pandas-on-ray/
• 給Ray團隊提要求請到GitHub開issue：https://github.com/ray-project/ray/issues
• 如果對Ray感興趣，可以讀一讀他們的論文：https://arxiv.org/abs/1712.05889