再见Pandas，又一数据处理神器！

cuDF (Pandas GPU 平替)，用于加载、连接、聚合、过滤和其他数据操作。

cuDF介绍

cuDF是一个基于Apache Arrow列内存格式的Python GPU DataFrame库，用于加载、连接、聚合、过滤和其他数据操作。cuDF还提供了类似于pandas的API。

GitHub：https://github.com/rapidsai/cudf

Documentation：https://docs.rapids.ai/api/cudf/stable

技术交流与源码获取

技术要学会交流、分享，不建议闭门造车。一个人可以走的很快、一堆人可以走的更远。

好的文章离不开粉丝的分享、推荐，资料干货、资料分享、数据、技术交流提升，均可加交流群获取，群友已超过2000人，添加时最好的备注方式为：来源+兴趣方向，方便找到志同道合的朋友。

技术交流、代码、数据获取方式如下

方式①、添加微信号：dkl88194，备注：来自CSDN + 消费者数据

方式②、微信搜索公众号：Python学习与数据挖掘，后台回复：消费者数据

资料1

资料2

我们打造了《100个超强算法模型》，特点：从0到1轻松学习，原理、代码、案例应有尽有，所有的算法模型都是按照这样的节奏进行表述，所以是一套完完整整的案例库。

很多初学者是有这么一个痛点，就是案例，案例的完整性直接影响同学的兴致。因此，我整理了 100个最常见的算法模型，在你的学习路上助推一把！

相关框架介绍

cuDF: cuDF是一个Python GPU DataFrame库，它基于Apache Arrow的列式内存格式，用于加载、连接、聚合、过滤和以类似pandas的DataFrame风格API操纵表格数据。它允许数据工程师和数据科学家通过类似于pandas的API轻松加速其工作流程，而无需深入研究CUDA编程的细节。cuDF的设计旨在在GPU上处理大规模数据集，提供了对数据处理任务的高性能支持。

Dask: Dask是一个灵活的Python并行计算库，使得在工作流程中平滑而简单地实现规模化。在CPU上，Dask使用Pandas来并行执行DataFrame分区上的操作。它允许用户以更大规模处理数据，充分发挥计算资源，而无需对代码进行大规模更改。

Dask-cuDF: Dask-cuDF在需要的情况下扩展Dask，以允许其DataFrame分区使用cuDF GPU DataFrame而不是Pandas DataFrame进行处理。例如，当调用dask_cudf.read_csv(...)时，集群的GPU通过调用cudf.read_csv()来执行解析CSV文件的工作。这使得在GPU上利用cuDF的高性能数据处理能力，从而加速大规模数据处理任务。

cuDF和Pandas比较

cuDF是一个DataFrame库，它与Pandas API密切匹配，但直接使用时并不是Pandas的完全替代品。在API和行为方面，cuDF和Pandas之间存在一些差异。以下是cuDF和Pandas之间的相似之处和差异的对比：

支持的操作：

cuDF支持许多与Pandas相同的数据结构和操作，包括Series、DataFrame、Index等，以及它们的一元和二元操作、索引、过滤、连接、分组和窗口操作等。

数据类型：

cuDF支持Pandas中常用的数据类型，包括数值、日期时间、时间戳、字符串和分类数据类型。此外，cuDF还支持用于十进制、列表和“结构”值的特殊数据类型。

缺失值：

与Pandas不同，cuDF中的所有数据类型都是可为空的，意味着它们可以包含缺失值（用cudf.NA表示）。

迭代：

在cuDF中，不支持对Series、DataFrame或Index进行迭代。因为在GPU上迭代数据会导致极差的性能，GPU优化用于高度并行操作而不是顺序操作。

结果排序：

默认情况下，cuDF中的join（或merge）和groupby操作不保证输出排序。与Pandas相比，需要显式传递sort=True或在尝试匹配Pandas行为时启用mode.pandas_compatible选项。

浮点运算：

cuDF利用GPU并行执行操作，因此操作的顺序不总是确定的。这影响浮点运算的确定性，因为浮点运算是非关联的。在比较浮点结果时，建议使用cudf.testing模块提供的函数，允许您根据所需的精度比较值。

列名：

与Pandas不同，cuDF不支持重复的列名。最好使用唯一的字符串作为列名。

没有真正的“object”数据类型：

与Pandas和NumPy不同，cuDF不支持“object”数据类型，用于存储任意Python对象的集合。

.apply()函数限制：

cuDF支持.apply()函数，但它依赖于Numba对用户定义的函数（UDF）进行JIT编译并在GPU上执行。这可以非常快速，但对UDF中允许的操作施加了一些限制。

何时使用cuDF和Dask-cuDF

cuDF:

• 当您的工作流在单个GPU上足够快，或者您的数据在单个GPU的内存中轻松容纳时，您会希望使用cuDF。

• 当数据量不大，可以在单个GPU内存中处理时，cuDF提供了对单个GPU上高性能数据操作的支持。

  Dask-cuDF:

  • 当您希望在多个GPU上分布您的工作流程时，或者您的数据量超过了单个GPU内存的容量，或者希望同时分析许多文件中分布的数据时，您会希望使用Dask-cuDF。

  • Dask-cuDF允许您在分布式GPU环境中进行高性能的数据处理，特别是当数据集太大，无法容纳在单个GPU内存中时。

    cuDF代码案例

    import os
    import pandas as pd
    import cudf
    # Creating a cudf.Series
    s = cudf.Series([1, 2, 3, None, 4])
    # Creating a cudf.DataFrame
    df = cudf.DataFrame(
        {
            "a": list(range(20)),
            "b": list(reversed(range(20))),
            "c": list(range(20)),
        }
    )
    # read data directly into a dask_cudf.DataFrame with read_csv
    pdf = pd.DataFrame({"a": [0, 1, 2, 3], "b": [0.1, 0.2, None, 0.3]})
    gdf = cudf.DataFrame.from_pandas(pdf)
    gdf
    # Viewing the top rows of a GPU dataframe.
    ddf.head(2)
    # Sorting by values.
    df.sort_values(by="b")
    # Selecting a single column
    df["a"]
    # Selecting rows from index 2 to index 5 from columns ‘a’ and ‘b’.
    df.loc[2:5, ["a", "b"]]
    # Selecting via integers and integer slices, like numpy/pandas.
    df.iloc[0:3, 0:2]
    # Selecting rows in a DataFrame or Series by direct Boolean indexing.
    df[df.b > 15]
    # Grouping and then applying the sum function to the grouped data.
    df.groupby("agg_col1").agg({"a": "max", "b": "mean", "c": "sum"})