Python/ target=_blank class=infotextkey>Python是世界上使用最广泛的编程语言之一,并为开发人员提供了大量的库。
然而,当涉及到数据处理和科学计算时,用户通常会想到诸如Numpy、Pandas或SciPy等库。
在本文中,将介绍3个你可能感兴趣的Python库。
Dask是一个灵活的并行计算库,可实现大规模数据处理的分布式计算和并行计算。
那么,为什么用户要使用Dask呢?正如他们在其网站上所说的:
【Dask】:https://www.dask.org/
Python已经发展成为数据分析和通用编程中的主流语言。这种增长得益于像NumPy、Pandas和scikit-learn等计算库。然而,这些包并不适用于超越单台机器的规模。当数据集超过内存时,Dask被开发出来原生地扩展这些包及其周边生态系统,以适应多核机器和分布式集群。
因此,正如他们所说,Dask的一个常见用途是:
【链接】:https://docs.dask.org/en/latest/dataframe.html
当需要像使用Pandas一样常用时,使用Dask DataFrame,通常是因为Pandas在处理数据量或计算速度方面存在问题:
- 处理大型数据集,即使这些数据集无法容纳在内存中
- 通过使用多个内核加速长时间计算
- 对使用标准Pandas操作的大型数据集进行分布式计算,例如groupby、join和时间序列计算
因此,当需要处理巨大的Pandas数据帧时,Dask是一个不错的选择。这是因为Dask可以:
允许用户在笔记本电脑上处理100GB以上的数据集,或者在工作站上处理1TB以上的数据集。
这是一个相当了不起的结果。
在幕后发生的情况是:
Dask DataFrames协调许多按索引排列的Pandas DataFrames/Series。Dask DataFrame以行为单位进行分区,通过索引值对行进行分组,以提高效率。这些Pandas对象可以存在于磁盘上或其他机器上。
因此,有类似的如下情况:
Dask和Pandas数据帧的区别。
首先,需要安装Dask。可以通过pip或conda进行安装,如下所示:
$ pip install dask[complete]
or
$ conda install dask
可以展示Dask的第一个功能,即如何打开CSV文件。可以这样做,如下所示:
import dask.dataframe as dd
# 使用Dask加载大型CSV文件
df_dask = dd.read_csv('my_very_large_dataset.csv')
# 在Dask DataFrame上执行操作
mean_value_dask = df_dask['column_name'].mean().compute()
因此,正如在代码中看到的,本文使用Dask的方式与Pandas非常相似。尤其是:
此外,即使打开CSV文件的方法与Pandas相同,Dask也能毫不费力地处理超过单台机器内存容量的大型数据集。
这意味着,除了在Pandas中无法打开大型数据帧,而在Dask中可以打开之外,无法看到任何实际的差异。
可以使用Dask创建一个具有大量样本的分类数据集。然后可以将其分割为训练集和测试集,使用机器学习模型拟合训练集,并计算测试集的预测结果。
可以这样做,如下所示:
import dask_ml.datasets as dask_datasets
from dask_ml.linear_model import LogisticRegression
from dask_ml.model_selection import trAIn_test_split
# 使用Dask加载分类数据集
X, y = dask_datasets.make_classification(n_samples=100000, chunks=1000)
# 将数据分割为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y)
# 并行训练逻辑回归模型
model = LogisticRegression()
model.fit(X_train, y_train)
# 对测试集进行预测
y_pred = model.predict(X_test).compute()
该示例强调了Dask处理大规模数据集的能力,即使是在机器学习问题的情况下,也可以通过在多个内核之间分布计算来实现。
具体而言,可以使用dask_datasets.make_classification()方法为分类问题创建一个“Dask dataset” ,并且可以指定样本数量和块大小(甚至是非常巨大的数量)。
与之前类似,预测结果是通过compute()方法获得的。
# 注意:
# 在这种情况下,可能需要安装模块`dask_ml`。
# 可以按以下方式进行安装:
$ pip install dask_ml
Dask所利用的并行处理能力也可以应用于图像处理。
特别是可以打开多个图像,调整其大小,并保存调整后的图像。可以按以下方式操作:
import dask.array as da
import dask_image.imread
from PIL import Image
# 使用Dask加载图像集合
images = dask_image.imread.imread('image*.jpg')
# 并行调整图像大小
resized_images = da.stack([da.resize(image, (300, 300)) for image in images])
# 计算结果
result = resized_images.compute()
# 保存调整后的图像
for i, image in enumerate(result):
resized_image = Image.fromarray(image)
resized_image.save(f'resized_image_{i}.jpg')
因此,下面是整个过程:
如果需要进行数学计算,并希望使用Python进行操作,可以尝试使用SymPy。
正如他们在网站上所写的介绍那样,Sympy是:
【Sympy】:https://www.sympy.org/en/index.html
一个用于符号数学的Python库。它旨在成为一个功能齐全的计算机代数系统(CAS),同时保持代码尽可能简单,以便易于理解和扩展。SymPy完全使用Python编写。
但是为什么要使用SymPy?他们提到:
SymPy具有以下特点:
因此,它基本上具备了所有Python爱好者所喜爱的特性!
现在来查看一下它的部分功能。
首先,需要安装它:
$ pip install sympy
请注意:
如果写成`$ pip install simpy`,将安装另一个(完全不同的!)库。
因此,第二个字母是"y",而不是"i"。
如果需要解代数方程,可以这样使用SymPy:
from sympy import symbols, Eq, solve
# 定义符号
x, y = symbols('x y')
# 定义方程
equation = Eq(x**2 + y**2, 25)
# 解方程
solutions = solve(equation, (x, y))
# 打印解
print(solutions)
>>>
[(-sqrt(25 - y**2), y), (sqrt(25 - y**2), y)]
所以,这就是整个过程:
正如上述所看到的,SymPy是一个非常易读和用户友好的Python库。
计算导数是在分析数据时可能需要的另一个数学任务,原因有很多。通常情况下,可能因为各种原因需要进行计算,而SymPy真正简化了这个过程。实际上,可以这样做,如下所示:
from sympy import symbols, diff
# 定义符号
x = symbols('x')
# 定义函数
f = x**3 + 2*x**2 + 3*x + 4
# 计算导数
derivative = diff(f, x)
# 打印导数
print(derivative)
>>>
3*x**2 + 4*x + 3
因此,正如上述所看到的,这个过程非常简单和容易自解释:
如果进行测试,就会发现结果在2或3秒钟内就会出现。因此,它的速度也相当快。
当然,如果SymPy可以计算导数,它也可以计算积分。接下来尝试做一下:
from sympy import symbols, integrate, sin
# 定义符号
x = symbols('x')
# 执行符号积分
integral = integrate(sin(x), x)
# 打印积分
print(integral)
>>>
-cos(x)
所以,本文在这里使用integrate()方法,指定要积分的函数和积分变量。
Xarray是一个扩展了NumPy特性和功能的Python库,使用户能够使用带有标签的数组和数据集进行工作。
事实上,正如他们在官网上所说的那样:
【Xarray】:https://docs.xarray.dev/en/stable/
Xarray使得在Python中处理带有标签的多维数组变得简单、高效和有趣!
还有:
【链接】:https://docs.xarray.dev/en/stable/getting-started-guide/why-xarray.html
Xarray在类似于NumPy的原始多维数组之上引入了维度、坐标和属性形式的标签,这使得开发者的体验更加直观、简洁,减少了错误的发生。
换句话说,它通过向数组维度添加标签或坐标来扩展NumPy数组的功能。这些标签提供了元数据,可以对多维数据进行更高级的分析和操作。
例如,在NumPy中,使用基于整数的索引访问数组。
而在Xarray中,每个维度都可以关联一个标签,这样就可以根据有意义的名称更容易地理解和操作数据。
例如,在Xarray中,用户可以使用arr.sel(x=0, y=1, z=2)来访问数据,其中x、y和z是维度的标签,而不是使用arr[0, 1, 2]来访问数据。
这使得代码更加易读!
接下来查看一些Xarray的功能。
像往常一样,首先要安装它:
$ pip install xarray
假设用户想创建与温度相关的一些数据,并且想将它们标记为纬度和经度等坐标。可以这样做:
import xarray as xr
import numpy as np
# 创建温度数据
temperature = np.random.rand(100, 100) * 20 + 10
# 创建经纬度坐标数组
latitudes = np.linspace(-90, 90, 100)
longitudes = np.linspace(-180, 180, 100)
# 创建带有标注坐标的Xarray数据数组
da = xr.DataArray(
temperature,
dims=['latitude', 'longitude'],
coords={'latitude': latitudes, 'longitude': longitudes}
)
# 使用标注坐标访问数据
subset = da.sel(latitude=slice(-45, 45), lnotallow=slice(-90, 0))
如果打印出来,就会得到
# 打印数据
print(subset)
>>>
array([[13.45064786, 29.15218061, 14.77363206, ..., 12.00262833,
16.42712411, 15.61353963],
[23.47498117, 20.25554247, 14.44056286, ..., 19.04096482,
15.60398491, 24.69535367],
[25.48971105, 20.64944534, 21.2263141 , ..., 25.80933737,
16.72629302, 29.48307134],
...,
[10.19615833, 17.106716 , 10.79594252, ..., 29.6897709 ,
20.68549602, 29.4015482 ],
[26.54253304, 14.21939699, 11.085207 , ..., 15.56702191,
19.64285595, 18.03809074],
[26.50676351, 15.21217526, 23.63645069, ..., 17.22512125,
13.96942377, 13.93766583]])
Coordinates:
* latitude (latitude) float64 -44.55 -42.73 -40.91 ... 40.91 42.73 44.55
* longitude (longitude) float64 -89.09 -85.45 -81.82 ... -9.091 -5.455 -1.818
所以,接下来逐步了解这个过程:
这样得到的结果也很容易阅读,因此标签在很多情况下非常有帮助。
假设用户正在收集与一年中与温度相关的数据。并且想知道数组中是否有空值。如下是用户可以这样做的方法:
import xarray as xr
import numpy as np
import pandas as pd
# 创建有缺失值的温度数据
temperature = np.random.rand(365, 50, 50) * 20 + 10
temperature[0:10, :, :] = np.nan # Set the first 10 days as missing values
# 创建时间、纬度和经度坐标数组
times = pd.date_range('2023-01-01', periods=365, freq='D')
latitudes = np.linspace(-90, 90, 50)
longitudes = np.linspace(-180, 180, 50)
# 创建带有缺失值的Xarray数据数组
da = xr.DataArray(
temperature,
dims=['time', 'latitude', 'longitude'],
coords={'time': times, 'latitude': latitudes, 'longitude': longitudes}
)
# 沿时间维度计算缺失值的数量
missing_count = da.isnull().sum(dim='time')
# 打印缺失值
print(missing_count)
>>>
array([[10, 10, 10, ..., 10, 10, 10],
[10, 10, 10, ..., 10, 10, 10],
[10, 10, 10, ..., 10, 10, 10],
...,
[10, 10, 10, ..., 10, 10, 10],
[10, 10, 10, ..., 10, 10, 10],
[10, 10, 10, ..., 10, 10, 10]])
Coordinates:
* latitude (latitude) float64 -90.0 -86.33 -82.65 ... 82.65 86.33 90.0
* longitude (longitude) float64 -180.0 -172.7 -165.3 ... 165.3 172.7 180.0
这样,我们就得到了10个空数值。
此外,如果我们仔细查看代码,就会发现我们可以将Pandas的方法应用到Xarray中,比如isnull.sum(),在本例中,它可以计算缺失值的总数。
当我们可以给数组贴标签时,处理和分析多维数据的诱惑就会很大。那么,接下来跟随本文进行尝试。
例如,假设用户仍在收集与特定纬度和经度相关的温度数据。
我们可能想要计算温度的平均值、最大值和中值。可以进行如下操作:
import xarray as xr
import numpy as np
import pandas as pd
# 创建合成温度数据
temperature = np.random.rand(365, 50, 50) * 20 + 10
# 创建时间、纬度和经度坐标数组
times = pd.date_range('2023-01-01', periods=365, freq='D')
latitudes = np.linspace(-90, 90, 50)
longitudes = np.linspace(-180, 180, 50)
# 创建Xarray数据集
ds = xr.Dataset(
{
'temperature': (['time', 'latitude', 'longitude'], temperature),
},
coords={
'time': times,
'latitude': latitudes,
'longitude': longitudes,
}
)
# 对温度数据进行统计分析
mean_temperature = ds['temperature'].mean(dim='time')
max_temperature = ds['temperature'].max(dim='time')
min_temperature = ds['temperature'].min(dim='time')
# 打印数值
print(f"mean temperature:n {mean_temperature}n")
print(f"max temperature:n {max_temperature}n")
print(f"min temperature:n {min_temperature}n")
>>>
mean temperature:
array([[19.99931701, 20.36395016, 20.04110699, ..., 19.98811842,
20.08895803, 19.86064693],
[19.84016491, 19.87077812, 20.27445405, ..., 19.8071972 ,
19.62665953, 19.58231185],
[19.63911165, 19.62051976, 19.61247548, ..., 19.85043831,
20.13086891, 19.80267099],
...,
[20.18590514, 20.05931149, 20.17133483, ..., 20.52858247,
19.83882433, 20.66808513],
[19.56455575, 19.90091128, 20.32566232, ..., 19.88689221,
19.78811145, 19.91205212],
[19.82268297, 20.14242279, 19.60842148, ..., 19.68290006,
20.00327294, 19.68955107]])
Coordinates:
* latitude (latitude) float64 -90.0 -86.33 -82.65 ... 82.65 86.33 90.0
* longitude (longitude) float64 -180.0 -172.7 -165.3 ... 165.3 172.7 180.0
max temperature:
array([[29.98465531, 29.97609171, 29.96821276, ..., 29.86639343,
29.95069558, 29.98807808],
[29.91802049, 29.92870312, 29.87625447, ..., 29.92519055,
29.9964299 , 29.99792388],
[29.96647016, 29.7934891 , 29.89731136, ..., 29.99174546,
29.97267052, 29.96058079],
...,
[29.91699117, 29.98920555, 29.83798369, ..., 29.90271746,
29.93747041, 29.97244906],
[29.99171911, 29.99051943, 29.92706773, ..., 29.90578739,
29.99433847, 29.94506567],
[29.99438621, 29.98798699, 29.97664488, ..., 29.98669576,
29.91296382, 29.93100249]])
Coordinates:
* latitude (latitude) float64 -90.0 -86.33 -82.65 ... 82.65 86.33 90.0
* longitude (longitude) float64 -180.0 -172.7 -165.3 ... 165.3 172.7 180.0
min temperature:
array([[10.0326431 , 10.07666029, 10.02795524, ..., 10.17215336,
10.00264909, 10.05387097],
[10.00355858, 10.00610942, 10.02567816, ..., 10.29100316,
10.00861792, 10.16955806],
[10.01636216, 10.02856619, 10.00389027, ..., 10.0929342 ,
10.01504103, 10.06219179],
...,
[10.00477003, 10.0303088 , 10.04494723, ..., 10.05720692,
10.122994 , 10.04947012],
[10.00422182, 10.0211205 , 10.00183528, ..., 10.03818058,
10.02632697, 10.06722953],
[10.10994581, 10.12445222, 10.03002468, ..., 10.06937041,
10.04924046, 10.00645499]])
Coordinates:
* latitude (latitude) float64 -90.0 -86.33 -82.65 ... 82.65 86.33 90.0
* longitude (longitude) float64 -180.0 -172.7 -165.3 ... 165.3 172.7 180.0
然后,获得了我们想要的结果,而且结果非常清晰易读。
而且,正如之前所提到的,为了计算温度的最大值、最小值和平均值,本文使用了应用于数组的Pandas函数。
在本文中,展示了三个用于数据处理和科学计算的库。
虽然SymPy可以替代其他工具和软件,使我们能够使用Python代码进行数学计算,但Dask和Xarray扩展了其他库的功能,在我们使用其他更常用的Python库进行数据分析和处理时可能会遇到困难的情况下帮助我们。