前幾天，我去Reddit詢問是否應(yīng)該將Python用于ETL相關(guān)的轉(zhuǎn)換，并且壓倒性的回答是"是"。

[[334202]]

但是，盡管我的Redditor同事熱心支持使用Python，但他們建議研究Pandas以外的庫-出于對大型數(shù)據(jù)集Pandas性能的擔憂。

經(jīng)過研究，我發(fā)現(xiàn)了很多用于數(shù)據(jù)轉(zhuǎn)換的Python庫：有些改進了Pandas的性能，而另一些提供了自己的解決方案。

我找不到這些工具的完整列表，所以我想我可以使用所做的研究來編譯一個工具-如果我錯過了什么或弄錯了什么，請告訴我!

Pandas

網(wǎng)站：https：//pandas.pydata.org/

總覽

Pandas當然不需要介紹，但是我還是給它一個介紹。

Pandas在Python中增加了DataFrame的概念，并在數(shù)據(jù)科學界廣泛用于分析和清理數(shù)據(jù)集。 它作為ETL轉(zhuǎn)換工具非常有用，因為它使操作數(shù)據(jù)非常容易和直觀。

優(yōu)點

• 廣泛用于數(shù)據(jù)處理
• 簡單直觀的語法
• 與其他Python工具(包括可視化庫)良好集成
• 支持常見的數(shù)據(jù)格式(從SQL數(shù)據(jù)庫，CSV文件等讀取)

缺點

• 由于它會將所有數(shù)據(jù)加載到內(nèi)存中，因此無法擴展，并且對于非常大(大于內(nèi)存)的數(shù)據(jù)集來說可能是一個錯誤的選擇

進一步閱讀

• 10分鐘Pandas
• Pandas機器學習的數(shù)據(jù)處理

Dask

網(wǎng)站：https：//dask.org/

總覽

根據(jù)他們的網(wǎng)站，" Dask是用于Python并行計算的靈活庫。"

從本質(zhì)上講，Dask擴展了諸如Pandas之類的通用接口，供在分布式環(huán)境中使用-例如，Dask DataFrame模仿了。

優(yōu)點

• 可擴展性— Dask可以在本地計算機上運行并擴展到集群
• 能夠處理內(nèi)存不足的數(shù)據(jù)集
• 即使在相同的硬件上，使用相同的功能也可以提高性能(由于并行計算)
• 最少的代碼更改即可從Pandas切換
• 旨在與其他Python庫集成

缺點

• 除了并行性，還有其他方法可以提高Pandas的性能(通常更為顯著)
• 如果您所做的計算量很小，則沒有什么好處
• Dask DataFrame中未實現(xiàn)某些功能

進一步閱讀

• Dask文檔
• 為什么每個數(shù)據(jù)科學家都應(yīng)該使用Dask

Modin

網(wǎng)站：https：//github.com/modin-project/modin

總覽

Modin與Dask相似之處在于，它試圖通過使用并行性并啟用分布式DataFrames來提高Pandas的效率。 與Dask不同，Modin基于Ray(任務(wù)并行執(zhí)行框架)。

Modin優(yōu)于Dask的主要好處是Modin可以自動處理跨計算機核心分發(fā)數(shù)據(jù)(無需進行配置)。

優(yōu)點

• 可伸縮性— Ray比Modin提供的更多
• 完全相同的功能(即使在相同的硬件上)也可以提高性能
• 最小的代碼更改即可從Pandas切換(更改import語句)
• 提供所有Pandas功能-比Dask更多的"嵌入式"解決方案

缺點

• 除了并行性，還有其他方法可以提高Pandas的性能(通常更為顯著)
• 如果您所做的計算量很小，則沒有什么好處

進一步閱讀

• Modin文檔
• Dask和Modin有什么區(qū)別?

Petl

網(wǎng)站：https：//petl.readthedocs.io/en/stable/

總覽

petl包含了pandas的許多功能，但專為ETL設(shè)計，因此缺少額外的功能，例如用于分析的功能。 petl具有用于ETL的所有三個部分的工具，但本文僅專注于數(shù)據(jù)轉(zhuǎn)換。

盡管petl提供了轉(zhuǎn)換表的功能，但其他工具(例如pandas)似乎更廣泛地用于轉(zhuǎn)換和有據(jù)可查的文檔，因此petl對此吸引力較小。

優(yōu)點

• 最小化系統(tǒng)內(nèi)存的使用，使其能夠擴展到數(shù)百萬行
• 對于在SQL數(shù)據(jù)庫之間進行遷移很有用
• 輕巧高效

缺點

• 通過很大程度地減少對系統(tǒng)內(nèi)存的使用，petl的執(zhí)行速度會變慢-不建議在性能很重要的應(yīng)用程序中使用
• 較少使用此列表中的其他解決方案進行數(shù)據(jù)處理

進一步閱讀

• 使用Petl快速了解數(shù)據(jù)轉(zhuǎn)換和遷移
• petl轉(zhuǎn)換文檔

PySpark

網(wǎng)站：http：//spark.apache.org/

總覽

Spark專為處理和分析大數(shù)據(jù)而設(shè)計，并提供多種語言的API。 使用Spark的主要優(yōu)點是Spark DataFrames使用分布式內(nèi)存并利用延遲執(zhí)行，因此它們可以使用集群處理更大的數(shù)據(jù)集，而Pandas之類的工具則無法實現(xiàn)。

如果要處理的數(shù)據(jù)非常大，并且數(shù)據(jù)操作的速度和大小很大，Spark是ETL的理想選擇。

優(yōu)點

• 可擴展性和對更大數(shù)據(jù)集的支持
• 就語法而言，Spark DataFrames與Pandas非常相似
• 通過Spark SQL使用SQL語法進行查詢
• 與其他流行的ETL工具兼容，包括Pandas(您實際上可以將Spark DataFrame轉(zhuǎn)換為Pandas DataFrame，從而使您可以使用各種其他庫)
• 與Jupyter筆記本電腦兼容
• 內(nèi)置對SQL，流和圖形處理的支持

缺點

• 需要一個分布式文件系統(tǒng)，例如S3
• 使用CSV等數(shù)據(jù)格式會限制延遲執(zhí)行，需要將數(shù)據(jù)轉(zhuǎn)換為Parquet等其他格式
• 缺少對數(shù)據(jù)可視化工具(如Matplotlib和Seaborn)的直接支持，這兩種方法都得到了Pandas的良好支持

進一步閱讀

• Python中的Apache Spark：新手指南
• PySpark簡介
• PySpark文檔(尤其是語法)

值得一提

盡管我希望這是一個完整的列表，但我不希望這篇文章過長!

確實有很多許多用于數(shù)據(jù)轉(zhuǎn)換的Python工具，因此我包括了這一部分，至少是我錯過的其他項目(我可能會在本文的第二部分中進一步探討這些項目)。

• bonobo https://www.bonobo-project.org/
• bubbles http://bubbles.databrewery.org/
• pygrametl http：//chrthomsen.github.io/pygrametl/
• Apache Beam https：//beam.apache.org/

結(jié)論

我希望這份清單至少可以幫助您了解Python必須提供哪些工具來進行數(shù)據(jù)轉(zhuǎn)換。 在進行了這項研究之后，我相信Python是ETL的優(yōu)秀選擇-這些工具及其開發(fā)人員使它成為了一個了不起的平臺。

就像我在本文開頭提到的那樣，我不是該領(lǐng)域的專家-如果您有任何補充，請隨時發(fā)表評論!

謝謝閱讀!