本文示例程式碼已上傳至我的Github倉庫https://github.com/CNFeffery/DataScienceStudyNotes

1 簡介

　　大家好我是費老師，geopandas作為我們非常熟悉的Python GIS利器，兼顧著高效能和易用性，特別是在其0.12.0版本開始使用全新的shapely2.0向量計算後端後，效能表現更是一路狂飆。

　　而我們作為使用者，當然是希望geopandas處理分析向量資料越快越好。在今天的文章中，我將為大家簡要介紹如何基於dask對geopandas進一步提速，從而更從容的應對更大規模的GIS分析計算任務。

2 dask-geopandas的使用

　　很多朋友應該聽說過dask，它是Python生態裡非常知名的高效能運算框架，可以針對大型陣列、資料框及機器學習模型進行平行計算排程最佳化，而dask-geopandas就是由geopandas團隊研發的，基於dask對GeoDataFrame進行平行計算最佳化的框架，本質上是對dask和geopandas的封裝整合。

　　dask-geopandas的安裝非常簡單，在已經安裝了geopandas的虛擬環境中，執行下列命令即可：

conda install dask-geopandas -c conda-forge -y

2.1 基礎使用

　　dask-geopandas與geopandas的常用計算API是相通的，但呼叫方式略有不同，舉一個實際例子，其中示例檔案demo_points.gdb由以下程式碼隨機生成並寫出：

import numpy as np
import geopandas as gpd
from shapely import Point, Polygon

# 生成示例用向量資料
demo_points = gpd.GeoDataFrame(
    {
        'id': range(1000000),
        'geometry': [
            Point(np.random.uniform(0, 90),
                  np.random.uniform(0, 90))
            for i in range(1000000)
        ]
    }
)

# 寫出到本地gdb
demo_points.to_file('./demo_points.gdb', driver='OpenFileGDB')

　　在使用dask-geopandas時，我們首先還是需要用geopandas進行目標資料的讀入，再使用from_geopandas()將其轉換為dask-geopandas中可以直接操作的資料框物件，其中引數npartitions用於將原始資料集劃分為n個資料塊，理論上分割槽越多並行運算速度越快，但受限於機器的CPU瓶頸，通常建議設定npartitions為機器可排程的CPU核心數：

demo_points = gpd.read_file('./demo_points.gdb', driver='OpenFileGDB')
demo_points_ddf = dgpd.from_geopandas(demo_points, npartitions=4)
demo_points_ddf

　　在此基礎上，後續執行各種運算都需要在程式碼末尾銜接.compute()，從而真正執行前面編排好的運算邏輯，以非向量和向量運算分別為例：

2.2 效能比較

　　既然使用了dask-geopandas就是奔著其針對大型資料集的計算最佳化而去的，我們來比較一下其與原生geopandas在常見GIS計算任務下的效能表現，可以看到，在與geopandas的計算比較中，dask-geopandas取得了約3倍的計算效能提升，且這種提升幅度會隨著資料集規模的增加而愈發明顯，因為dask可以很好的處理記憶體緊張時的計算最佳化：

　　當然，這並不代表我們可以在任何場景下用dask-geopandas代替geopandas，在常規的中小型資料集上dask-geopandas反而要慢一些，因為徒增了額外的分塊排程消耗。

　　除了上述的內容外，dask-geopandas還有一些實驗性質的功能，如基於地理空間分佈的spatial_partitions資料分塊策略最佳化等，待它們穩定之後我會另外發文為大家介紹?。

　　以上就是本文的全部內容，歡迎在評論區與我進行討論~

（資料科學學習手札150）基於dask對geopandas進行並行加速

1 簡介

2 dask-geopandas的使用

2.1 基礎使用

2.2 效能比較

相關文章