什么是 FireDucks？

FireDucks 是一個(gè)完全兼容 Pandas 的加速庫(kù)，它不是要替代 Pandas，而是作為 Pandas 的加速器工作。它允許用戶繼續(xù)使用熟悉的 Pandas API，同時(shí)顯著提高執(zhí)行速度。

FireDucks 的核心特點(diǎn) 1. 完全兼容 Pandas

• 
  

  使用與 Pandas 相同的 API

• 無(wú)需修改現(xiàn)有代碼

• 可以輕松替換現(xiàn)有的 Pandas 代碼

• 比原生 Pandas 快數(shù)倍到數(shù)十倍

• 特別適合處理大型數(shù)據(jù)集和復(fù)雜操作

• 導(dǎo)入鉤子（Import Hook）：不需要修改代碼，自動(dòng)替換 Pandas 導(dǎo)入

• • %load_ext fireducks.pandas import pandas as pd

• 顯式導(dǎo)入（Explicit Import）：手動(dòng)替換導(dǎo)入語(yǔ)句 import fireducks.pandas as pd

FireDucks 通過兩種主要方法加速 Pandas 操作：

1. 編譯器優(yōu)化：

• 將 Python 程序轉(zhuǎn)換為中間語(yǔ)言

• 專為 DataFrame 操作設(shè)計(jì)的優(yōu)化

多線程處理：

• 利用多核 CPU 并行處理數(shù)據(jù)

• 類似 GPU 加速的原理

惰性執(zhí)行模型：

• 不立即執(zhí)行操作，而是生成中間語(yǔ)言

• 只在需要結(jié)果時(shí)（如保存文件、顯示數(shù)據(jù)）才執(zhí)行所有操作

• 批處理優(yōu)化提高整體性能

FireDucks 目前支持 Linux (manylinux) 在 x86_64 架構(gòu)上，可以通過 pip 輕松安裝：

pip install fireducks

要求 Python >3.8, <=3.13（注意：自 FireDucks 1.1.0 起，由于升級(jí)了依賴的 pyarrow 到 18.0.0，不再支持 Python 3.8）

使用方法 方法一：導(dǎo)入鉤子（推薦）

在 Python 腳本中使用：

python3 -m fireducks.pandas your_script.py

在 IPython/Jupyter Notebook 中使用：

%load_ext fireducks.pandas import pandas as pd # 后續(xù)代碼與使用 Pandas 完全相同

# 替換 import pandas as pd import fireducks.pandas as pd

以下是一個(gè)簡(jiǎn)單的性能對(duì)比示例：

import time import numpy as np import pandas as pd         import fireducks.pandas as fpd   n = 1_000_000 np.random.seed(42) data = {     "x": np.random.randint(0, 100, n),     "y": np.random.rand(n) } df_pandas = pd.DataFrame(data) df_fireducks = fpd.DataFrame(data) start_pd = time.time() sorted_pd = df_pandas.sort_values("x") time_pd = time.time() - start_pd start_fd = time.time() sorted_fd = df_fireducks.sort_values("x") time_fd = time.time() - start_fd print("Pandas 排序時(shí)間：{:.4f} 秒".format(time_pd)) print("FireDucks 排序時(shí)間：{:.4f} 秒".format(time_fd))

結(jié)果：

Pandas 排序時(shí)間: 0.0009 秒 FireDucks 排序時(shí)間: 0.0004 秒

在更大的數(shù)據(jù)集和更復(fù)雜的操作中，性能差異會(huì)更加明顯。

性能測(cè)量注意事項(xiàng)

由于 FireDucks 使用惰性執(zhí)行模型，測(cè)量單個(gè)方法的性能需要特別注意。有三種方法可以準(zhǔn)確測(cè)量性能：

1. 啟用基準(zhǔn)測(cè)試模式：

   # 通過環(huán)境變量 FIREDUCKS_FLAGS="--benchmark-mode" # 或在代碼中 from fireducks.core import get_fireducks_options get_fireducks_options().set_benchmark_mode(True)

2. 使用_evaluate()方法：

   t0 = time.time() df = pd.read_csv("data.csv")._evaluate() t1 = time.time() df = df.sort_values("a")._evaluate() t2 = time.time()

FireDucks 團(tuán)隊(duì)評(píng)估了 db-benchmark[1] 的性能，該基準(zhǔn)測(cè)試包括在多種大小的數(shù)據(jù)集上執(zhí)行基本數(shù)據(jù)科學(xué)操作的場(chǎng)景。

截至 2024 年 9 月 10 日，F(xiàn)ireDucks 在大數(shù)據(jù)的分組（groupby）和連接（join）操作方面似乎是最快的數(shù)據(jù)框架庫(kù)。

測(cè)試環(huán)境：

• FireDucks 版本：fireducks-1.0.4

• CPU 型號(hào)：Intel(R) Xeon(R) Platinum 8375C CPU @ 2.90GHz

• CPU 核心數(shù)：128

• 內(nèi)存：256GB

TPC-H 是一個(gè)決策支持基準(zhǔn)測(cè)試，包含復(fù)雜的查詢和大量數(shù)據(jù)修改。

上圖比較了四個(gè)數(shù)據(jù)框架庫(kù)（Pandas、DuckDB、Polars 和 FireDucks）在 22 個(gè)不同查詢上的性能。垂直軸以對(duì)數(shù)刻度顯示與 Pandas 相比快多少倍，大于 1 表示比 Pandas 快。

測(cè)試環(huán)境：

• 服務(wù)器規(guī)格（AWS EC2 m7i.8xlarge）

• CPU：INTEL(R) XEON(R) GOLD 6526Y（32 核）

• 內(nèi)存：512GB

• 操作系統(tǒng)：Ubuntu 24.04

TPCx-BB 包括與使用機(jī)器學(xué)習(xí)及其預(yù)處理的數(shù)據(jù)分析相關(guān)的查詢。

在 TPCx-BB 測(cè)試中，F(xiàn)ireDucks 比 Pandas 最高快 17 倍，平均快 6.7 倍。

測(cè)試環(huán)境：

• CPU：Intel(R) Xeon(R) Gold 5317 CPU @ 3.00GHz x 2 插槽（共 48 個(gè)硬件線程）

• 內(nèi)存：256GB

• 測(cè)試版本：

• • pandas-2.1.4

  • fireducks-0.9.3

由于惰性執(zhí)行模型，使用傳統(tǒng)的 try-catch 塊檢查 KeyError 可能不會(huì)按預(yù)期工作：

# 不推薦的方式 def project(df, cname):     try:         s = df[cname]  # 由于惰性執(zhí)行，這里不會(huì)立即執(zhí)行     except KeyError:         print(f"列 {cname} 在輸入數(shù)據(jù)框中不存在")     else:         return s

推薦的方式：

# 推薦方式 1：使用 _evaluate() 強(qiáng)制執(zhí)行 def project(df, cname):     try:         s = df[cname]._evaluate()     except KeyError:         print(f"列 {cname} 在輸入數(shù)據(jù)框中不存在")     else:         return s # 推薦方式 2：使用 in 操作符 def project(df, cname):     if cname notin df:  # 這會(huì)立即執(zhí)行         print(f"列 {cname} 在輸入數(shù)據(jù)框中不存在")     else:         s = df[cname]         return s

您可以通過 Google Colab 免費(fèi)體驗(yàn) FireDucks 的易用性和高性能：

• pandas_nyc_demo.ipynb [2]

• fireducks_pandas_nyc_demo.ipynb [3]

• FireDucks_vs_Pandas_vs_Polars.ipynb [4]

FireDucks 是一個(gè)強(qiáng)大的 Pandas 加速庫(kù)，通過編譯器優(yōu)化和多線程處理，顯著提高了數(shù)據(jù)處理速度，同時(shí)保持了與 Pandas 的完全兼容性。它特別適合處理大型數(shù)據(jù)集和復(fù)雜的數(shù)據(jù)操作，可以輕松集成到現(xiàn)有的 Pandas 代碼中，無(wú)需大量修改。

根據(jù)多項(xiàng)基準(zhǔn)測(cè)試，F(xiàn)ireDucks 在各種數(shù)據(jù)處理場(chǎng)景中都展現(xiàn)出了顯著的性能優(yōu)勢(shì)，尤其是在處理大型數(shù)據(jù)集和復(fù)雜查詢時(shí)。

資源鏈接

• 官方網(wǎng)站： https://fireducks-dev.github.io [5]

• GitHub 倉(cāng)庫(kù)： https://github.com/fireducks-dev/fireducks [6]

• 聯(lián)系方式： contact@fireducks.jp.nec.com [7]

• Slack 社區(qū)： 加入 FireDucks Slack [8]

參考資料

db-benchmark: https://github.com/duckdblabs/db-benchmark

pandas_nyc_demo.ipynb: https://colab.research.google.com/github/fireducks-dev/fireducks/blob/main/notebooks/nyc_demo/pandas_nyc_demo.ipynb

fireducks_pandas_nyc_demo.ipynb: https://colab.research.google.com/github/fireducks-dev/fireducks/blob/main/notebooks/nyc_demo/fireducks_pandas_nyc_demo.ipynb

FireDucks_vs_Pandas_vs_Polars.ipynb: https://colab.research.google.com/github/fireducks-dev/fireducks/blob/main/notebooks/FireDucks_vs_Pandas_vs_Polars.ipynb

[5]

https://fireducks-dev.github.io: https://fireducks-dev.github.io

[6]

https://github.com/fireducks-dev/fireducks: https://github.com/fireducks-dev/fireducks

[7]

contact@fireducks.jp.nec.com: mailto:contact@fireducks.jp.nec.com

[8]

加入 FireDucks Slack: https://join.slack.com/t/fireducks/shared_invite/zt-2j4lucmtj-IGR7AWlXO62Lu605pnBJ2w