معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

Implementing the bare necessities of Pandas with the lazy evaluating and optimizing Weld framework.

ویژگی	مقدار
سیستم عامل	-
نام فایل	baloo-0.0.5
نام	baloo
نسخه کتابخانه	0.0.5
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Radu Jica
ایمیل نویسنده	radu.jica+code@gmail.com
آدرس صفحه اصلی	https://github.com/radujica/baloo
آدرس اینترنتی	https://pypi.org/project/baloo/
مجوز	BSD 3-Clause

# Baloo Implementing the [*bare necessities*](https://www.youtube.com/watch?v=08NlhjpVFsU) of [Pandas](https://pandas.pydata.org/) with the *lazy* evaluating and optimizing [Weld](https://github.com/weld-project/weld) framework. [![PyPI version](https://badge.fury.io/py/baloo.svg)](https://badge.fury.io/py/baloo) [![Build Status](https://travis-ci.com/radujica/baloo.svg?branch=master)](https://travis-ci.com/radujica/baloo) ### Documentation [here](https://radujica.github.io/baloo/) ## Install pip install baloo Note that currently it has only been tested on Python 3.5.2, though any Python 3 version should be fine. ## Benchmarks Benchmark results over seeded randomized data are shown below. The data consists of 4 NumPy array columns: 2 of float64, 1 of int64, and 1 of int32. First 2 plots run the following operations over 56MB and 420MB total data, respectively: df = df[(df['col1'] > 0) & (df['col2'] >= 10) & (df['col3'] < 30)] # filter df = df.agg(['min', 'prod', 'mean', 'std']) # 4x agg df['col4'] = df['col1'] * 2 + 1 - 23 # 3x op df['col5'] = df['col1'].apply(np.exp) # udf df = df.groupby(['col2', 'col4']).var() # groupby* df = df[['col3', 'col1']].join(df[['col3', 'col2']], on='col3', rsuffix='_r') # join* \* Note that the groupby and join implementations are simplified in Baloo. For instance, the groupby result is not sorted in Baloo as is in Pandas. The join implementation in Baloo currently relies on the `on` data being sorted and distinct; sortednes is expected to be patched soon. ![benchmark results](benchmarks/benchmarks-2000.png) ![benchmark results](benchmarks/benchmarks-15000.png) This last graph shows the execution time of `3x op` over varying dataset sizes: ![benchmark scalability](benchmarks/scalability.png) Weld is, indeed, expected to scale well due to features such as vectorization, however the compilation time outweighs the improved computation time for small datasets. Nevertheless, Baloo currently only supports a limited subset of Pandas. More work coming soon! The scripts used to run the benchmarks are available in the relevant folder.

نیازمندی

مقدار	نام
-	pandas
-	numpy
-	tabulate

زبان مورد نیاز

مقدار	نام
>=3.0	Python

نحوه نصب

نصب پکیج whl baloo-0.0.5:

pip install baloo-0.0.5.whl

نصب پکیج tar.gz baloo-0.0.5:

pip install baloo-0.0.5.tar.gz