NVIDIA cuDF：GPU 加速的 DataFrame

将 cuDF 直接集成到您的环境中，以加速 pandas。请按照以下步骤开始操作。

为 pandas 安装 cuDF

wget
"https://github.com/conda-forge/miniforge/releases/latest/download/Miniforge3-$(uname)-$(uname -m).sh"
bash Miniforge3-$(uname)-$(uname -m).sh

conda create -n rapids-25.06 -c rapidsai -c conda-forge -c nvidia  \
    cudf=25.06 python=3.13 'cuda-version>=12.0,<=12.8'

Install via the NVIDIA PyPI index:

pip install \
    --extra-index-url=https://pypi.nvidia.com \
    "cudf-cu12==25.6.*"

请参阅 docker、WSL2 和各个库的完整安装选择器。

安装 Selector

无需更改代码即可实现 pandas 的 cuDF 加速

cuDF 通过 cuDF.pandas 模块实现零代码更改加速。此模块是 cuDF 包的一部分。加载以无缝加速您现有的 pandas 代码。在导入或使用 pandas 之前，请使用其中一种方法启用该功能。有关分步视觉指南，请观看视频。

要加速 IPython 或 Jupyter Notebook，请使用魔术命令：

%load_ext cudf.pandas
import pandas as pd
...

要加速 Python 脚本，请在命令行中使用 Python 模块标志：

python -m cudf.pandas script.py
import pandas as pd
...

如果您无法使用命令行标志，请通过导入显式启用 cudf.pandas：

python -m cudf.pandas script.py
import pandas as pd
...

从分钟到秒：cuDF 加速 pandas

cudf.pandas 与传统 pandas v2.2 之间的标准 DuckDB 数据基准测试 (5 GB) 性能对比 (越低越好) 。

规格：硬件：NVIDIA L4，CPU：英特尔至强 8480CL | 软件：pandas v2.2.1、NVIDIA RAPIDS+ cuDF 24.02

在此处运行基准测试。

实战教程：在 Colab 上加速 pandas

cuDF 预安装在 Google Colab 中，因此入门非常简单。只需切换到 GPU 运行时，并在笔记本顶部启用 cudf.pandas，即可立即加速您的 pandas 工作流。探索这些入门套件，获取实战示例：

将 Polars GPU 引擎直接集成到您的环境中，以加速 Polars。请按照以下步骤开始操作。

安装支持 GPU 的 Polars

pip install polars[gpu]

将 Polars 配置为使用 GPU 引擎

通过配置引擎，为 Polars 运算激活 GPU 加速。您可以使用默认的 GPU 引擎，也可以对其进行自定义以实现更精细的控制。

默认 GPU 引擎

通过调用 .collect (engine = "gpu") ，将 Polars LazyFrame 具体化为具有默认 GPU 引擎配置的 DataFrame：

import polars as pl

ldf = pl.LazyFrame({"a": [1.242, 1.535]})

print(
    ldf.select(
        pl.col("a").round(1)
    ).collect(engine="gpu")
)

自定义 GPU 引擎

为了更好地控制引擎，您可以将具有设备详细信息和详细程度等其他配置的 GPU 引擎对象传递给 engine = 参数：

import polars as pl

ldf = pl.LazyFrame({"a": [1.242, 1.535]})

gpu_engine = pl.GPUEngine(
    device=0,  # This is the default
    raise_on_fail=True,  # Fail loudly if can't execute on the GPU
)

print(
    ldf.select(
        pl.col("a").round(1)
    ).collect(engine=gpu_engine)
)

将 Polars 工作流程加速高达 13 倍

在复杂的 groupby 和 join 操作中执行计算量最大的查询
( PDS-H 基准测试 | 80 GB 数据集)

查询编号

性能随着数据规模的增长而提升

各种数据集的查询处理时间

规格：PDS-H 基准测试 | GPU：NVIDIA H100 | CPU：英特尔至强 W9-3495X ( Sapphire Rapids) | 存储：本地 NVME
注意：注意：PDS-H 源自 TPC-H，但这些结果无法与 TPC - H 结果相美。

在此处运行基准测试。

实战教程：在 Colab 上加速 Polars

Polars GPU 引擎预安装在 Google Colab 中，因此入门非常简单。只需切换到 GPU 运行时，GPU 引擎即可立即加速您的 Polars 工作流。探索以下实战资源：

cuDF 如何加速 Polars

Polars 已经是一个高性能的 DataFrame 库，其设计具有多线程执行、高级内存优化和延迟评估功能。借助这些功能，Polars 可以高效地处理开箱即用的大中型数据

Polars GPU 引擎进一步发挥了这些优势。通过将 cuDF 的速度提升到 Polars 的效率，您可以实现更快的执行速度，在数秒内处理数亿行。

GPU 引擎直接内置于 Polars Lazy API 中，其工作原理是先尝试在 GPU 上执行运算，然后在必要时退回到 CPU。这种方法可确保您可以继续使用熟悉的 Polars 语法和函数，同时受益于增强的 GPU 加速。

如需深入了解 Polars GPU 引擎的架构和基础机制，请查看 Polars 官方博客文章。