似乎Modin在第一次运行时会进行一些初始化,这可以解释为什么对于5MB的CSV文件,您的Modin时间比Pandas时间慢。
我研究了在具有四个核心的系统上加载各种大小的CSV文件所需的时间,同时使用了Pandas和Modin。以下是从5MB到100MB的CSV文件结果的图表:
![Graph of Pandas/Modin CSV file processing times for files from 5MB to 100MB](https://istack.dev59.com/0udtD.webp)
对于小于2GB的文件:
![Graph of Pandas/Modin CSV file processing times for files up to 2GB](https://istack.dev59.com/4TcsB.webp)
结果显示,在测试的系统上:
- 对于除了5MB(最小的文件)以外的所有文件大小,Modin读取CSV文件比Pandas更快
- 性能差异随着文件大小的增加而增大
- Modin处理5MB文件的时间非常长:0.23秒,而10MB文件只需要0.12秒,15MB文件则需要0.16秒
这是用于生成结果的代码。
from pathlib import Path
from timeit import timeit
import modin.pandas as mpd
import pandas as pd
def create_input_file(filename, content, repetitions):
path = Path(filename)
if not path.exists():
with path.open("a", encoding="utf-8") as f:
for _ in range(repetitions):
f.write(content)
def create_input_files(min_size, max_size, increment):
content = Path("survey.csv").read_text(encoding="utf-8")
for size in range(min_size, max_size + 1, increment):
create_input_file(
filename="survey{}MB.csv".format(size),
content=content,
repetitions=size // 5,
)
def time_csv_read(module, filename, description):
print(
"{}: {:.2f} seconds".format(
description,
timeit(lambda: getattr(module, "read_csv")(filename), number=1)
)
)
def time_csv_reads(min_size, max_size, increment):
for size in range(min_size, max_size + 1, increment):
time_csv_read(pd, "survey{}MB.csv".format(size), "Pandas {}MB".format(size))
time_csv_read(mpd, "survey{}MB.csv".format(size), "Modin {}MB".format(size))
def main():
min_size1 = 5
max_size1 = 95
increment1 = 5
min_size2 = 100
max_size2 = 2000
increment2 = 100
create_input_files(min_size1, max_size1, increment1)
create_input_files(min_size2, max_size2, increment2)
time_csv_reads(min_size1, max_size1, increment1)
time_csv_reads(min_size2, max_size2, increment2)
if __name__ == "__main__":
main()
这里是原始输出(已删除警告消息):
Pandas 5MB: 0.12 seconds
Modin 5MB: 0.23 seconds
Pandas 10MB: 0.13 seconds
Modin 10MB: 0.12 seconds
Pandas 15MB: 0.19 seconds
Modin 15MB: 0.16 seconds
Pandas 20MB: 0.24 seconds
Modin 20MB: 0.20 seconds
Pandas 25MB: 0.31 seconds
Modin 25MB: 0.25 seconds
Pandas 30MB: 0.37 seconds
Modin 30MB: 0.29 seconds
Pandas 35MB: 0.40 seconds
Modin 35MB: 0.34 seconds
Pandas 40MB: 0.45 seconds
Modin 40MB: 0.37 seconds
Pandas 45MB: 0.51 seconds
Modin 45MB: 0.42 seconds
Pandas 50MB: 0.55 seconds
Modin 50MB: 0.46 seconds
Pandas 55MB: 0.62 seconds
Modin 55MB: 0.50 seconds
Pandas 60MB: 0.67 seconds
Modin 60MB: 0.53 seconds
Pandas 65MB: 0.74 seconds
Modin 65MB: 0.57 seconds
Pandas 70MB: 0.76 seconds
Modin 70MB: 0.61 seconds
Pandas 75MB: 0.87 seconds
Modin 75MB: 0.65 seconds
Pandas 80MB: 0.90 seconds
Modin 80MB: 0.67 seconds
Pandas 85MB: 0.93 seconds
Modin 85MB: 0.73 seconds
Pandas 90MB: 0.97 seconds
Modin 90MB: 0.74 seconds
Pandas 95MB: 1.34 seconds
Modin 95MB: 0.80 seconds
Pandas 100MB: 1.11 seconds
Modin 100MB: 0.83 seconds
Pandas 200MB: 2.21 seconds
Modin 200MB: 1.62 seconds
Pandas 300MB: 3.28 seconds
Modin 300MB: 2.40 seconds
Pandas 400MB: 5.48 seconds
Modin 400MB: 3.25 seconds
Pandas 500MB: 8.61 seconds
Modin 500MB: 3.92 seconds
Pandas 600MB: 8.11 seconds
Modin 600MB: 4.64 seconds
Pandas 700MB: 9.48 seconds
Modin 700MB: 5.70 seconds
Pandas 800MB: 11.40 seconds
Modin 800MB: 6.35 seconds
Pandas 900MB: 12.63 seconds
Modin 900MB: 7.17 seconds
Pandas 1000MB: 13.59 seconds
Modin 1000MB: 7.91 seconds
Pandas 1100MB: 14.84 seconds
Modin 1100MB: 8.63 seconds
Pandas 1200MB: 17.27 seconds
Modin 1200MB: 9.42 seconds
Pandas 1300MB: 17.77 seconds
Modin 1300MB: 10.22 seconds
Pandas 1400MB: 19.38 seconds
Modin 1400MB: 11.15 seconds
Pandas 1500MB: 21.77 seconds
Modin 1500MB: 11.98 seconds
Pandas 1600MB: 26.79 seconds
Modin 1600MB: 12.55 seconds
Pandas 1700MB: 23.55 seconds
Modin 1700MB: 13.66 seconds
Pandas 1800MB: 26.41 seconds
Modin 1800MB: 13.89 seconds
Pandas 1900MB: 28.44 seconds
Modin 1900MB: 15.15 seconds
Pandas 2000MB: 30.58 seconds
Modin 2000MB: 15.71 seconds
Modin能够比5MB文件更快地处理10MB文件,这表明Modin在第一次运行时会进行一些初始化工作。因此,我尝试通过多次读取相同的5MB文件来测试这个理论。第一次需要0.28秒,而后续每次只需0.08秒。如果在同一个Python进程中多次运行Modin,您应该会看到类似的性能差异。
这种初始化工作不同于我在评论中提到的那种开销。我指的是将工作分成块、将其发送到每个处理器并在处理器完成每个块时将结果组合起来的代码。每次Modin读取CSV文件时都会出现这种开销;Modin第一次运行时所做的额外工作必须是其他事情。因此,一旦Modin完成了初始化,即使对于5MB大小的文件,使用它也是值得的。对于小于此大小的文件,我提到的那种开销可能会成为一个因素,但需要更多的调查才能知道文件需要多小才能产生影响。