許多組織都在嘗試收集和利用盡可能多的數(shù)據(jù)，以改善其經營方式，增加收入和提升影響力。因此，數(shù)據(jù)科學家面對50GB甚至500GB大小的數(shù)據(jù)集情況變得越來越普遍。

不過，這類數(shù)據(jù)集使用起來不太容易。它們足夠小，可以裝入日常筆記本電腦的硬盤驅動器中，但同時大到無法裝入RAM，導致它們已經很難打開和檢查，更不用說探索或分析了。

處理此類數(shù)據(jù)集時，通常采用3種策略。

第一種是對數(shù)據(jù)進行二次采樣，但缺點很明顯：你可能因為忽視相關部分數(shù)據(jù)而錯過關鍵洞察，甚至更糟的是，這會誤解了數(shù)據(jù)所闡釋的含義。

第二種策略是使用分布式計算。在某些情況下這是一種有效的方法，但它需要管理和維護集群的大量開銷。

又或者，你可以租用一個強大的云實例，該實例具有處理相關數(shù)據(jù)所需的內存。例如，AWS提供具有TB級RAM的實例。在這種情況下，你仍然必須管理云數(shù)據(jù)存儲區(qū)，每次實例啟動時，都需要等待數(shù)據(jù)從存儲空間傳輸?shù)綄嵗瑫r，還要考慮將數(shù)據(jù)存儲在云上的合規(guī)性問題，以及在遠程計算機上工作帶來的不便。更不別說成本，盡管一開始成本很低，但后續(xù)往往會增加。

Vaex是解決這個問題的新方法。它是一種幾乎可以對任意大小的數(shù)據(jù)進行數(shù)據(jù)科學研究的更快、更安全、更方便的方法，只要數(shù)據(jù)集可以安裝在你的筆記本電腦，臺式機或服務器硬盤上。

什么是Vaex？

Vaex 是一個開源的 DataFrame 庫（類似于Pandas），對和你硬盤空間一樣大小的表格數(shù)據(jù)集，它可以有效進行可視化、探索、分析甚至進行實踐機器學習。

它可以在N維網格上計算每秒超過十億（10^9）個對象/行的統(tǒng)計信息，例如均值、總和、計數(shù)、標準差等?。使用直方圖、密度圖和三維體繪制完成可視化，從而可以交互式探索大數(shù)據(jù)。Vaex使用內存映射、零內存復制策略獲得最佳性能（不浪費內存）。

為實現(xiàn)這些功能，Vaex 采用內存映射、高效的核外算法和延遲計算等概念。所有這些都封裝為類 Pandas 的 API，因此，任何人都能快速上手。

十億級計程車的數(shù)據(jù)分析

為了說明這一概念，讓我們對一個數(shù)據(jù)集進行簡單的探索性數(shù)據(jù)分析，該數(shù)據(jù)集并不適合典型筆記本電腦的RAM。

本文中將使用紐約市（NYC）出租車數(shù)據(jù)集，其中包含標志性的黃色出租車在2009年至2015年之間進行的超過10億次出行的信息。數(shù)據(jù)可以從網站（*www1.nyc.gov/site/tlc/ab…?*）下載，并且為CSV格式。完整的分析可以在此Jupyter筆記本中單獨查看（*nbviewer.jupyter.org/github/vaex…?*）。

為什么要選擇vaex

性能：處理海量表格數(shù)據(jù)，每秒處理超過十億行

虛擬列：動態(tài)計算，不浪費內存

高效的內存在執(zhí)行過濾/選擇/子集時沒有內存副本。

可視化：直接支持，單線通常就足夠了。

用戶友好的API：只需處理一個數(shù)據(jù)集對象，制表符補全和docstring可以幫助你：ds.mean，類似于Pandas。

精益：分成多個包

Jupyter集成：vaex-jupyter將在Jupyter筆記本和Jupyter實驗室中提供交互式可視化和選擇。

打開100GB數(shù)據(jù)集只需0.052秒

第一步是將數(shù)據(jù)轉換為內存可映射文件格式，例如Apache Arrow，Apache Parquet或HDF5。在此處也可以找到如何將CSV數(shù)據(jù)轉換為HDF5的示例。數(shù)據(jù)變?yōu)閮却婵捎成涓袷胶螅词乖诖疟P上的大小超過100GB，也可以使用Vaex即時打開（只需0.052秒！）：

為什么這么快？當使用Vaex打開內存映射文件時，實際上沒有進行任何數(shù)據(jù)讀取。Vaex僅讀取文件的元數(shù)據(jù)，例如磁盤上數(shù)據(jù)的位置，數(shù)據(jù)結構（行數(shù)、列數(shù)、列名和類型），文件說明等。那么，如果我們要檢查數(shù)據(jù)或與數(shù)據(jù)交互怎么辦？打開數(shù)據(jù)集會生成一個標準的DataFrame并對其進行快速檢查：

注意，單元執(zhí)行時間太短了。這是因為顯示Vaex DataFrame或列僅需要從磁盤讀取前后5行數(shù)據(jù)。這將我們引向另一個重點：Vaex只會在需要時遍歷整個數(shù)據(jù)集，并且會嘗試通過盡可能少的數(shù)據(jù)傳遞來做到這一點。

無論如何，讓我們從極端異常值或錯誤數(shù)據(jù)輸入值開始清除此數(shù)據(jù)集。一個很好的方法是使用describe方法對數(shù)據(jù)進行高級概述，其中顯示了樣本數(shù)、缺失值數(shù)和每一列的數(shù)據(jù)類型。如果列的數(shù)據(jù)類型為數(shù)字，則還將顯示平均值、標準偏差以及最小值和最大值。所有這些統(tǒng)計信息都是通過對數(shù)據(jù)的一次傳遞來計算的。

使用describe方法獲得 DataFrame 的高級概覽，注意這個 DataFrame 包含 18 列數(shù)據(jù)，不過截圖只展示了前 7 列。

該describe方法很好地體現(xiàn)了Vaex的功能和效率：所有這些統(tǒng)計數(shù)據(jù)都是在我的MacBook Pro（2018款15英寸，2.6GHz Intel Core i7，32GB RAM）上用不到3分鐘的時間計算出來的。其他庫或方法都需要分布式計算或擁有超過100GB的云實例來執(zhí)行相同的計算。而使用Vaex，你所需要的只是數(shù)據(jù)，以及只有幾GB RAM的筆記本電腦。

查看describe的輸出，很容易注意到數(shù)據(jù)包含一些嚴重的異常值。

首先開始檢查上車地點。消除異常值的最簡單方法是簡單地繪制上下車地點的位置，并直觀地定義我們要集中分析的NYC區(qū)域。由于我們正在使用如此大的數(shù)據(jù)集，因此直方圖是最有效的可視化效果。使用Vaex創(chuàng)建和顯示直方圖和熱力圖的速度很快，而且圖表可以交互！

一旦我們通過交互決定要關注的NYC區(qū)域，就可以簡單地創(chuàng)建一個篩選后的DataFrame：?

關于上面的代碼，最酷的事情是它需要執(zhí)行的內存量可以忽略不計！在篩選Vaex DataFrame時不會復制數(shù)據(jù)，而是僅創(chuàng)建對原始對象的引用，在該引用上應用二進制掩碼。用掩碼選擇要顯示的行，并將其用于將來的計算。這將為我們節(jié)省100GB的RAM，而像今天許多標準數(shù)據(jù)科學工具卻要復制數(shù)據(jù)。

現(xiàn)在，檢查一下該passenger_count列。單次出租車行程記錄的最大乘客數(shù)為255，這似乎有些夸張。計算每次行程的乘客人數(shù)，使用以下value_counts方法很容易做到這一點：

在 10 億行數(shù)據(jù)上使用 value_counts 方法只需要 20 秒

從上圖可以看出，載客超過6人的行程可能是罕見的異常值，或者僅僅是錯誤的數(shù)據(jù)輸入，還有大量的0位乘客的行程。由于目前我們尚不了解這些行程是否合法，因此我們也將其過濾掉。?

讓我們對行程距離進行類似的練習。由于這是一個連續(xù)變量，因此我們可以繪制行程距離的分布圖。讓我們繪制一個更合理范圍的直方圖。

紐約出租車數(shù)據(jù)行程距離直方圖

從上圖可以看出，出行次數(shù)隨著距離的增加而減少。在距離約100英里處，分布有明顯下降。目前，我們將以此為起點，根據(jù)行程距離消除極端離群值：

出行距離一列中存在極端異常值，這也是研究出行時間和出租車平均速度的動機。這些功能在數(shù)據(jù)集中尚不可用，但計算起來很簡單：

上面的代碼塊無需內存，無需花費時間即可執(zhí)行！這是因為代碼只會創(chuàng)建虛擬列。這些列僅包含數(shù)學表達式，并且僅在需要時才進行評估。此外，虛擬列的行為與任何其他常規(guī)列都相同。注意，其他標準庫將需要10 GB的RAM才能進行相同的操作。

好了，讓我們來繪制行程耗費時間的分布：

紐約超過 10 億次出租車行程耗費時間的直方圖

從上面的圖中可以看出，盡管有一些行程可能需要花費4至5個小時，但95％的出租車花費不到30分鐘即可到達目的地。你能想象在紐約市被困出租車中超過3個小時嗎？無論如何，我們要保持開放的態(tài)度，并考慮所有花費時間少于3小時的行程：

現(xiàn)在，讓我們研究出租車的平均速度，同時選擇一個合理的數(shù)據(jù)范圍：

出租車平均速度分布

根據(jù)分布趨平的位置，我們可以推斷出在每小時1到60英里之間合理的平均滑行速度，因此可以更新篩選后的DataFrame：

將重點轉移到出租車費用上。從describe方法的輸出中，我們可以看到在fare_amount，total_amount和tip_amount列中有一些瘋狂的異常值。對于初學者，任何這些列中的任何值都不應為負。同時數(shù)字表明，一些幸運的司機僅憑開一次出租車便幾乎成為了百萬富翁。讓我們看一下在相對合理的范圍內這些數(shù)量的分布：

紐約超過 10 億次出租車行程的車費、總額和小費的分布。在筆記本上繪制這些圖表只用了 31 秒！

我們看到上述所有三個分布都有相當長的尾部。尾部的某些值可能是合法的，而其他值可能是錯誤的數(shù)據(jù)輸入。無論如何，讓我們先保守下，只考慮fare_amount，total_amount和tip_amount少于200的行程。我們還要求fare_amount，total_amount值大于200的行程。我們還要求fareamount，totalamount值大于0。

最后，在初步清理完所有數(shù)據(jù)之后，讓我們看看有多少出租車數(shù)據(jù)需要進行分析：

還有超過11億次旅行！大量的數(shù)據(jù)可以使你深入了解出租車行程背后的信息。

后記

此外，作者還從出租車司機最大化利潤等角度利用Vaex進行分析數(shù)據(jù)。總之，Vaex會幫你緩解可能面臨的一些數(shù)據(jù)挑戰(zhàn)的問題。

有了 Vaex，你可以在短短幾秒內遍歷超過 10 億行數(shù)據(jù)，計算各種統(tǒng)計、聚合并產出信息圖表，這一切都能在你的筆記本電腦上完成。它免費且開源。