cuDF 与 Pandas 的对比#
cuDF 是一个与 Pandas API 高度匹配的 DataFrame 库，但直接使用时，它不是 Pandas 的完全替代品。cuDF 和 Pandas 在 API 和行为上存在一些差异。本页记录了 cuDF 与 Pandas 之间的相似之处和差异。
从 v23.10.01 版本开始，cuDF 还提供了一种 pandas 加速模式（cudf.pandas），它支持 100% 的 pandas API，并且无需任何代码更改即可在 GPU 上加速 pandas 代码。请参阅cudf.pandas 文档。
支持的操作#
cuDF 支持许多与 Pandas 相同的数据结构和操作。这包括 Series、DataFrame、Index 以及它们上面的操作，例如一元和二元操作、索引、过滤、连接、合并、分组和窗口操作等等。
检查我们是否支持特定的 Pandas API 的最佳方法是搜索我们的API 文档。
数据类型#
cuDF 支持 Pandas 中许多常用的数据类型，包括数值、日期时间、时间戳、字符串和分类数据类型。此外，我们还支持用于十进制、列表和“struct”值的特殊数据类型。有关详情，请参阅数据类型一节。
请注意，我们不支持像 Pandas 的 ExtensionDtype 这样的自定义数据类型。
空值（或“缺失”值）#
与 Pandas 不同，cuDF 中的所有数据类型都可为空，这意味着它们可以包含缺失值（由 cudf.NA 表示）。
>>> s = cudf.Series([1, 2, cudf.NA])
>>> s
0 1
1 2
2 <NA>
dtype: int64
在任何情况下，空值都不会被强制转换为 NaN；请对比 cuDF 和 Pandas 的行为如下
>>> s = cudf.Series([1, 2, cudf.NA], dtype="category")
>>> s
0 1
1 2
2 <NA>
dtype: category
Categories (2, int64): [1, 2]
>>> s = pd.Series([1, 2, pd.NA], dtype="category")
>>> s
0 1
1 2
2 NaN
dtype: category
Categories (2, int64): [1, 2]
有关详情，请参阅缺失数据文档。
迭代#
不支持对 cuDF Series、DataFrame 或 Index 进行迭代。这是因为对驻留在 GPU 上的数据进行迭代会产生极差的性能，因为 GPU 针对高度并行操作进行了优化，而不是顺序操作。
在绝大多数情况下，可以避免迭代，并使用现有函数或方法完成相同的任务。如果您确实需要迭代，请使用 .to_arrow() 或 .to_pandas() 将数据从 GPU 复制到 CPU，然后使用 .from_arrow() 或 .from_pandas() 将结果复制回 GPU。
结果排序#
在 Pandas 中，join（或 merge）、value_counts 和 groupby 操作对返回结果中的行顺序提供了一定的保证。在 Pandas 的 join 中，join 键的顺序（取决于执行的 join 风格）默认要么被保留，要么按字典序排序。groupby 对分组键进行排序，并保留每组内的行顺序。在某些情况下，在 Pandas 中禁用此选项可以获得更好的性能。
相比之下，cuDF 的默认行为是以非确定性顺序返回行，以最大限度地提高性能。请对比下面从 Pandas 和 cuDF 获得的结果
>>> import cupy as cp
>>> cp.random.seed(0)
>>> import cudf
>>> df = cudf.DataFrame({'a': cp.random.randint(0, 1000, 1000), 'b': range(1000)})
>>> df.groupby("a").mean().head()
b
a
29 193.0
803 915.0
5 138.0
583 300.0
418 613.0
>>> df.to_pandas().groupby("a").mean().head()
b
a
0 70.000000
1 356.333333
2 770.000000
3 838.000000
4 342.000000
在大多数情况下，DataFrame 的行是通过索引标签而不是位置来访问的，因此返回行的顺序并不重要。但是，如果您要求结果以可预测的（排序的）顺序返回，您可以显式传递 sort=True 选项，或者在尝试使用 sort=False 匹配 Pandas 行为时启用 mode.pandas_compatible 选项。
>>> df.groupby("a", sort=True).mean().head()
b
a
0 70.000000
1 356.333333
2 770.000000
3 838.000000
4 342.000000
>>> cudf.set_option("mode.pandas_compatible", True)
>>> df.groupby("a").mean().head()
b
a
0 70.000000
1 356.333333
2 770.000000
3 838.000000
4 342.000000
浮点计算#
cuDF 利用 GPU 并行执行操作。这意味着操作的顺序并不总是确定性的。这会影响浮点操作的确定性，因为浮点算术是非结合性的，即 a + b 不等于 b + a。
例如，当 s 是一个浮点数 Series 时，s.sum() 不保证产生与 Pandas 完全相同的结果，也不保证每次运行产生相同的结果。如果您需要比较浮点结果，通常应使用 cudf.testing 模块中提供的函数，这些函数允许您在所需精度范围内比较值。
列名#
与 Pandas 不同，cuDF 不支持重复的列名。最好使用唯一的字符串作为列名。
将带有非字符串列名的 DataFrame 写入 Parquet#
当 DataFrame 包含非字符串列名时，pandas 会在写入 Parquet 文件之前将每个列名强制转换为 str。cudf 默认会在此操作尝试时引发错误。但是，为了实现与 pandas 类似的行为，您可以启用 mode.pandas_compatible 选项，这将使 cudf 像 pandas 一样将列名强制转换为 str。
>>> import cudf
>>> df = cudf.DataFrame({1: [1, 2, 3], "1": ["a", "b", "c"]})
>>> df.to_parquet("df.parquet")
Traceback (most recent call last):
ValueError: Writing a Parquet file requires string column names
>>> cudf.set_option("mode.pandas_compatible", True)
>>> df.to_parquet("df.parquet")
UserWarning: The DataFrame has column names of non-string type. They will be converted to strings on write.
无真正的 "object" 数据类型#
在 Pandas 和 NumPy 中，"object" 数据类型用于任意 Python 对象的集合。例如，在 Pandas 中，您可以执行以下操作
>>> import pandas as pd
>>> s = pd.Series(["a", 1, [1, 2, 3]])
0 a
1 1
2 [1, 2, 3]
dtype: object
为了与 Pandas 兼容，cuDF 将字符串的数据类型报告为 "object"，但我们不支持存储或操作任意 Python 对象的集合。
.apply() 函数限制#
Pandas 中的 .apply() 函数接受一个用户定义函数 (UDF)，该函数可以包含应用于 Series、DataFrame 的每个值，或者在分组的情况下应用于每组的任意操作。cuDF 也支持 .apply()，但它依赖于 Numba 来 JIT 编译 UDF 并在 GPU 上执行。这可能非常快，但对 UDF 中允许的操作有一些限制。有关详情，请参阅UDF文档。