如何从 Pandas 迁移到 Spark？这 8 个问答解决你所有疑问

本文最初发布于 Medium 网站，经原作者授权由 InfoQ 中文站翻译并分享。

原文链接：https://towardsdatascience.com/moving-from-pandas-to-spark-7b0b7d956adb

当你的数据集变得越来越大，迁移到 Spark 可以提高速度并节约时间。

多数数据科学工作流程都是从 Pandas 开始的。

Pandas 是一个很棒的库，你可以用它做各种变换，可以处理各种类型的数据，例如 CSV 或 JSON 等。我喜欢 Pandas — 我还为它做了一个名为“为什么 Pandas 是新时代的 Excel”的播客。

我仍然认为 Pandas 是数据科学家武器库中的一个很棒的库。但总有一天你需要处理非常大的数据集，这时候 Pandas 就要耗尽内存了。而这种情况正是 Spark 的用武之地。

Spark 非常适合大型数据集❤️

这篇博文会以问答形式涵盖你可能会遇到的一些问题，和我一开始遇到的一些疑问。

问题一：Spark 是什么？

Spark 是一个处理海量数据集的框架。它能以分布式方式处理大数据文件。它使用几个 worker 来应对和处理你的大型数据集的各个块，所有 worker 都由一个驱动节点编排。

这个框架的分布式特性意味着它可以扩展到 TB 级数据。你不再受单机器的内存限制。Spark 生态系统现在发展得相当成熟，你无需担心 worker 编排事宜，它还是开箱即用的，且速度飞快。

Spark 生态系统[参考]

问题二：我什么时候应该离开 Pandas 并认真考虑改用 Spark？

这取决于你机器的内存大小。我觉得大于 10GB 的数据集对于 Pandas 来说就已经很大了，而这时候 Spark 会是很好的选择。

假设你的数据集中有 10 列，每个单元格有 100 个字符，也就是大约有 100 个字节，并且大多数字符是 ASCII，可以编码成 1 个字节 — 那么规模到了大约 10M 行，你就应该想到 Spark 了。

问题三：Spark 在所有方面都比 Pandas 做得更好吗？

并非如此！对于初学者来说，Pandas 绝对更容易学习。Spark 学起来更难，但有了最新的 API，你可以使用数据帧来处理大数据，它们和 Pandas 数据帧用起来一样简单。

此外，直到最近，Spark 对可视化的支持都不怎么样。你只能对数据子集进行可视化。最近情况发生了变化，因为 Databricks 宣布他们将对 Spark 中的可视化提供原生支持（我还在等着看他们的成果）。

但在这一支持成熟之前，Spark 至少不会在可视化领域完全取代 Pandas。你完全可以通过 df.toPandas()将 Spark 数据帧变换为 Pandas，然后运行可视化或 Pandas 代码。

问题四：Spark 设置起来很困呢。我应该怎么办？

Spark 可以通过 PySpark 或 Scala（或 R 或​​SQL）用 Python 交互。我写了一篇在本地或在自定义服务器上开始使用 PySpark 的博文— 评论区都在说上手难度有多大。我觉得你可以直接使用托管云解决方案来尝试运行 Spark。

我推荐两种入门 Spark 的方法：

1. Databricks——它是一种完全托管的服务，可为你管理 AWS/Azure/GCP 中的 Spark 集群。他们有笔记本可用，与 Jupyter 笔记本很像。

2. Amazon****EMR 和 Zeppelin****笔记本——它是 AWS 的半托管服务。你需要托管一个 SparkEMR 端点，然后运行​​Zeppelin 笔记本与其交互。其他云供应商也有类似的服务，这里就不赘述了。

Databricks 是一种 Spark 集群的流行托管方式

问题五：Databricks 和 EMR 哪个更好？

我花了几个小时试图了解每种方法的优缺点后，总结出了一些要点：

1. EMR 完全由亚马逊管理，你无需离开 AWS 生态系统。

2. 如果你有 DevOps 专业知识或有 DevOps 人员帮助你，EMR 可能是一个更便宜的选择——你需要知道如何在完成后启动和关闭实例。话虽如此，EMR 可能不够稳定，你可能需要花几个小时进行调试。DatabricksSpark 要稳定许多。

3. 使用 Databricks 很容易安排作业——你可以非常轻松地安排笔记本在一天或一周的特定时间里运行。它们还为 GangliaUI 中的指标提供了一个接口。

4. 对于 Spark 作业而言，Databricks 作业的成本可能比 EMR 高 30-40%。但考虑到灵活性和稳定性以及强大的客户支持，我认为这是值得的。在 Spark 中以交互方式运行笔记本时，Databricks 收取 6 到 7 倍的费用——所以请注意这一点。鉴于在 30/60/120 分钟的活动之后你可以关闭实例从而节省成本，我还是觉得它们总体上可以更便宜。

考虑以上几点，如果你开始的是第一个 Spark 项目，我会推荐你选择 Databricks；但如果你有充足的 DevOps 专业知识，你可以尝试 EMR 或在你自己的机器上运行 Spark。如果你不介意公开分享你的工作，你可以免费试用 Databricks 社区版或使用他们的企业版试用 14 天。

问题六：PySpark 与 Pandas 相比有哪些异同？

我觉得这个主题可以另起一篇文章了。作为 Spark 贡献者的 Andrew Ray 的这次演讲应该可以回答你的一些问题。

它们的主要相似之处有：

1. Spark 数据帧与 Pandas 数据帧非常像。

2. PySpark 的 groupby、aggregations、selection 和其他变换都与 Pandas 非常像。与 Pandas 相比，PySpark 稍微难一些，并且有一点学习曲线——但用起来的感觉也差不多。

它们的主要区别是：

1. Spark 允许你查询数据帧——我觉得这真的很棒。有时，在 SQL 中编写某些逻辑比在 Pandas/PySpark 中记住确切的 API 更容易，并且你可以交替使用两种办法。

2. Spark 数据帧是不可变的。不允许切片、覆盖数据等。

3. Spark 是延迟求值的。它构建了所有变换的一个图，然后在你实际提供诸如 collect、show 或 take 之类的动作时对它们延迟求值。变换可以是宽的（查看所有节点的整个数据，也就是 orderBy 或 groupBy）或窄的（查看每个节点中的单个数据，也就是 contains 或 filter）。与窄变换相比，执行多个宽变换可能会更慢。与 Pandas 相比，你需要更加留心你正在使用的宽变换！

Spark 中的窄与宽变换。宽变换速度较慢。

问题七：Spark 还有其他优势吗？

Spark 不仅提供数据帧（这是对 RDD 的更高级别的抽象），而且还提供了用于流数据和通过 MLLib 进行分布式机器学习的出色 API。因此，如果你想对流数据进行变换或想用大型数据集进行机器学习，Spark 会很好用的。

问题八：有没有使用 Spark 的数据管道架构的示例？

有的，下面是一个 ETL 管道，其中原始数据从数据湖（S3）处理并在 Spark 中变换，加载回 S3，然后加载到数据仓库（如 Snowflake 或 Redshift）中，然后为 Tableau 或 Looker 等 BI 工具提供基础。

用于 BI 工具大数据处理的 ETL 管道示例

在 Amazon SageMaker 中执行机器学习的管道示例

你还可以先从仓库内的不同来源收集数据，然后使用 Spark 变换这些大型数据集，将它们加载到 Parquet 文件中的 S3 中，然后从 SageMaker 读取它们（假如你更喜欢使用 SageMaker 而不是 Spark 的 MLLib）。

SageMaker 的另一个优势是它让你可以轻松部署并通过 Lambda 函数触发模型，而 Lambda 函数又通过 API Gateway 中的 REST 端点连接到外部世界。

我写了一篇关于这个架构的博文。此外，Jules Damji 所著的《Learning Spark》一书非常适合大家了解 Spark。

本文到此结束。我们介绍了一些 Spark 和 Pandas 的异同点、开始使用 Spark 的最佳方法以及一些利用 Spark 的常见架构。

如有任何问题或意见，请在领英（https://www.linkedin.com/in/sanketgupta107/）上联系我！

资源：

1. JulesDamji 关于 Spark 幕后工作原理的演讲真的很棒。

2. JulesDamji 的《Learning Spark》一书。

3. AndrewRay 的演讲对比了 Pandas 与 PySpark 的语法。