在之前的文章中,我们看到Polars具有针对排序数据计算某些统计信息的快速算法。在这篇文章中,我们了解到Polars还有一个针对在排序列上获取groupby键的快速算法。
性能比较
在这个例子中,我们创建了一个包含ID列的DataFrame,并且我们知道这个列是已排序的。在生成下面的DataFrame时,我们将N设置为10_000_000,以创建一个包含1000万行的DataFrame。
我们还将基数(cardinality)设置为10——这意味着我们有10个不同的ID进行分组。基数是一个关键变量,如下文所示。
import polars as pl
import numpy as np
N = 10_000_000
cardinality = 10
# 创建一个按整数id排序的数组
sorted_array = np.sort(np.random.randint(0,cardinality,N))
# 创建一个带有已排序ID列和随机值列的DataFrame
df = (
pl.DataFrame(
{
"id":[i for i in sorted_array],
"values":np.random.standard_normal(N)
}
)
)
对于这个比较,我们根据id列进行分组,并计算values列的平均值。
(
df
.groupby("id")
.agg(
pl.col("values").mean()
)
)
目前,Polars不知道id列已经排序,因此不会使用快速算法。如果我们使用标准的非排序算法进行上述的分组聚合,它需要70毫秒。
正如我们在上一篇文章中看到的,我们使用set_sorted表达式告诉Polarsid列已经排序。
df = (
df
.with_column(
pl.col("id").set_sorted()
)
)
如果我们再次在Polars知道已排序的列上运行分组聚合,它只需要14毫秒——这是标准算法的5倍速度。
基数为王
所以,我们看到当Polars知道列已排序时,在排序列上进行分组聚合要快得多,对吧?不过,情况并不完全如此简单……
在上面的例子中,我们设置了基数为10,因此在1000万行中只有10个不同的组ID。
如果我们创建一个新的DataFrame,基数设为100_000,我们发现标准算法需要90毫秒,而快速排序算法需要60毫秒。在这种情况下,快速排序算法只快了1.5倍。
如果我们设置基数为1_000_000,我们发现这两种方法所需的时间差不多(或者标准方法稍微快一些)。
这种收敛的原因是快速排序算法不会逐个查看id列的元素,而是试图在id列的开头和结尾找到具有相同值的块。当算法找到这些块时,它可以假设整个块具有相同的值,因为它知道列已排序。
当基数较低时,存在许多这样的统一块,快速排序算法可以快速通过id列。随着基数的增加,统一块的长度减少,直到最终快速排序算法实际上在进行逐个元素的搜索。在这种情况下,快速排序算法在逐元素搜索之前仍在尝试跳过列中的元素,因此当基数较高时,排序方法甚至可能更慢。
考虑到这一点,这仍然是一个强大的优化方法,如果你知道你的数据已排序且基数不太高,就可以应用它。我还认为,当基数较高时,可以应用进一步的优化来加快速度。