Spark Dataframe 在性能上比 Pandas Dataframe 有何优势？ [关闭]

谁能解释一下 Spark Dataframes 在执行时间方面比 Pandas Dataframes 更好。我正在处理中等数量的数据并进行 python 函数驱动的转换

例如，我的数据集中有一列包含从 1 到 100,000 的数字，并且想要执行基本的数字操作 - 创建一个新列，该新列是现有数字列的立方体。

from datetime import datetime
import numpy as np
import pandas as pd

def cube(num):
    return num**3

array_of_nums = np.arange(0,100000)

dataset = pd.DataFrame(array_of_nums, columns = ["numbers"])

start_time = datetime.now() 
# Some complex transformations...
dataset["cubed"] = [cube(x) for x in dataset.numbers]
end_time = datetime.now() 

print("Time taken :", (end_time-start_time))

输出是

Time taken : 0:00:00.109349

如果我使用带有 10 个工作节点的 Spark Dataframe，我可以期待以下结果吗？ （这是 Pandas DataFrame 所用时间的 1/10）

Time taken : 0:00:00.010935

1）Pandas的数据框不是分布式的，而Spark的DataFrame是分布式的。 -> 因此，您将无法获得 Pandas DataFrame 中并行处理的好处，并且对于大量数据，Pandas DataFrame 中的处理速度会降低。

2）Spark DataFrame 确保容错（它具有弹性），而 pandas DataFrame 则不能保证这一点。 -> 因此，如果您的数据处理在处理之间被中断/失败，那么 Spark 可以从谱系（从 DAG）重新生成失败的结果集。 Pandas 不支持容错。您需要实现自己的框架来保证这一点。