DolphinDB与Pandas对于大文本文件处理的性能对比

Pandas是Python的一个包,最初被作为金融数据分析工具而开发,为时间序列分析提供了很好的支持。

DolphinDB Database 是一款高性能的分布式时序数据库。翅的组词它集成了功能强大的编程语言和高容量高速度的流数据分析系统,为海量数据(特别是时间序列数据)的快速存储、检索、分析及计算提供一站式解决方案。

DolphinDB是一个分布式系统,但也可以作为工作站使用。DolphinDB和Pandas都能够处理大文本文件,哪个的表现更出色呢?在处理大文本文件时,我们最关心的两个因素是性能和内存占用情况。因此,我们将从这两方面对DolphinDB和Pandas进行对比。

本次测试使用的硬件和操作系统如下:

Dell PowerEdge R830 服务器

内存:1024GB

CPU:E5-4640 v4 48 核 2.1GHZ

操作系统:Fedora27

RAID 0:8X1.2TB 10000 RMP HDD

DolphinDB提供了修改内存使用限制的配置项,所以我们把内存限制设置为128G,24核,这更符合大部分实际用户的服务器配置。而在Pandas中,我们无法对内存使用进行限制。

  1. 数据生成

我们在 DolphinDB database 中生成一个40G文本文件,包含了16列,郑的组词一共有390,000,000行数据。生成数据的脚本如下:

n=390000000
workDir = "/data"
if(!exists(workDir)) mkdir(workDir)
sample=table(rand(string(‘A‘..‘Z‘) + "XXXX",n) as sym, 2000.01.01+rand(365,n) as date, 10.0+rand(2.0,n) as price1, 100.0+rand(20.0,n) as price2, 1000.0+rand(200.0,n) as price3, 10000.0+rand(2000.0,n) as price4, 10000.0+rand(3000.0,n) as price5, 10000.0+rand(4000.0,n) as price6, rand(10,n) as qty1, rand(100,n) as qty2, rand(1000,n) as qty3, rand(10000,n) as qty4, rand(10000,n) as qty5, rand(10000,n) as qty6)
sample.saveText(workDir + "/trades_40G.txt")

2. 性能和内存占用比较

计算时间:

在DolphinDB中使用timer函数,在Pandas中使用%time。

内存占用:

我们可以使用Linux命令htop来监视DolphinDB和Pandas的内存占用情况。我们不仅记录了任务执行前后的内存占用,证的组词还记录了内存占用的峰值。

3. 测试结果和结论

我们主要测试了文本加载和其他基本操作,如添加计算列、分组、更新和使用窗口函数增加列。测试脚本见附录。测试结果如下表所示。为了减少特殊值的影响,我们把每个测试脚本都执行了10次,表中的时间是10次的执行总用时。

DolphinDB与Pandas对于大文本文件处理的性能对比

从测试结果中,我们可以得出以下结论,DolphinDB在性能上比Pandas快1~2个数量级(10~100倍),并且内存占用通常小于pandas的1/2,DolphinDB内存占用的最大值仅为pandas的1/3到1/2。从结果可以看出,在pandas中对于一些特定任务如增加一列数据,内存占用在执行前后不会发生变化,这是因为pandas会预先分配一定的内存供后续使用。

附录1. 测试脚本

DolphinDB与Pandas对于大文本文件处理的性能对比

欢迎访问官网下载DolphinDB试用版

DolphinDB与Pandas对于大文本文件处理的性能对比

上一篇:CSS卡片旋转


下一篇:webpack(2)