有时你用 Python的Pandas 打开一个大数据集，尝试获得一些指标，整个事情只是可怕地冻结。 如果您使用大数据，您知道如果您正在使用Pandas，那么您可以等待一小段时间来获得一个简单的系列平均值，让我们甚至不会调用 apply 。这只是几百万行！当你达到数十亿美元时，你最好开始使用Spark或其他东西。

我不久前发现了这个工具：一种加速Python数据分析的方法，无需获得更好的基础设施或切换语言。如果您的数据集很大，它最终会感觉有限，但它比普通的Pandas更好地扩展，并且可能只适合您的问题

• 特别是如果您没有进行大量的重建索引。

##

什么是Dask？

Dask 是一个开源项目，它为您提供NumPy Arrays，Pandas Dataframes和常规列表的抽象，允许您使用多核处理并行运行它们。

以下是教程中的摘录：

Dask提供模仿NumPy，列表和Pandas的高级Array，Bag和DataFrame集合，但可以在不适合主内存的数据集上并行运行。Dask的高级集合是大型数据集的NumPy和Pandas的替代品。

它听起来真棒！我开始为这篇文章尝试Dask Dataframes，并对它们进行了几个基准测试。

##

阅读文档

我首先做的是阅读官方文档，看看在Dask中建议做什么而不是常规的Dataframes。以下是 官方文档 中的相关部分：

• 操纵大型数据集，即使这些数据集不适合内存

• 通过使用许多核心来加速长计算

• 使用标准Pandas操作（如groupby，join和时间序列计算）对大型数据集进行分布式计算

然后在下面，它列出了一些在使用Dask Dataframes时非常快的事情：

• 算术运算（乘以或添加到系列）

• 常见聚合（平均值，最小值，最大值，总和等）

• 调用 apply（只要它在索引中 - 也就是说，不是在groupby（'y'）之后'y'不是索引 - ）

• 调用value_counts（），drop_duplicates（）或corr（）

• 使用 loc ， isin 和行方式选择进行过滤