Performance evaluation of python libraries for multithreading data processing

Скорочена інформація про документ
dc.contributor.authorKrivtsov, Serhii
dc.contributor.authorParfeniuk, Yurii
dc.contributor.authorBazilevych, Kseniia
dc.contributor.authorMeniailov, Ievgen
dc.contributor.authorChumachenko, Dmytro
dc.date.accessioned2024-03-15T13:58:28Z
dc.date.available2024-03-15T13:58:28Z
dc.date.issued2024
dc.description.abstractTopicality. The rapid growth of data in various domains has necessitated the development of efficient tools and libraries for data processing and analysis. Python, a popular programming language for data analysis, offers several libraries, such as NumPy and Numba, for numerical computations. However, there is a lack of comprehensive studies comparing the performance of these libraries across different tasks and data sizes. The aim of the study. This study aims to fill this gap by comparing the performance of Python, NumPy, Numba, and Numba.Cuda across different tasks and data sizes. Additionally, it evaluates the impact of multithreading and GPU utilization on computation speed. Research results. The results indicate that Numba and Numba.Cuda significantly optimizes the performance of Python applications, especially for functions involving loops and array operations. Moreover, GPU and multithreading in Python further enhance computation speed, although with certain limitations and considerations. Conclusion. This study contributes to the field by providing valuable insights into the performance of different Python libraries and the effectiveness of GPU and multithreading in Python, thereby aiding researchers and practitioners in selecting the most suitable tools for their computational needs.
dc.description.abstractАктуальність. Швидке зростання даних у різних доменах потребує розробки ефективних інструментів та бібліотек для обробки та аналізу даних. Python, популярна мова програмування для аналізу даних, пропонує кілька бібліотек, таких як NumPy та Numba, для чисельних обчислень. Однак, існує нестача всебічних досліджень, які порівнюють продуктивність цих бібліотек у різних задачах та з різними розмірами даних. Мета дослідження. Це дослідження має на меті заповнити цей пробіл, порівнюючи продуктивність Python, NumPy, Numba та Numba.Cuda в різних задачах та з різними розмірами даних. Крім того, воно оцінює вплив багатопотоковості та використання GPU на швидкість обчислень. Результати дослідження. Результати вказують, що Numba та Numba.Cuda значно оптимізують продуктивність додатків Python, особливо для функцій, що включають цикли та операції з масивами. Більше того, використання GPU та багатопотоковості в Python додатково підвищує швидкість обчислень, хоча і з певними обмеженнями та міркуваннями. Висновок. Це дослідження вносить вклад у галузь, надаючи цінні висновки щодо продуктивності різних бібліотек Python та ефективності використання GPU та багатопотоковості в Python, тим самим допомагаючи дослідникам та практикам у виборі найбільш підходящих інструментів для їхніх обчислювальних потреб.
dc.identifier.citationPerformance evaluation of python libraries for multithreading data processing / S. Krivtsov [et al.] // Сучасні інформаційні системи = Advanced Information Systems. – 2024. – Т. 8, № 1. – С. 37-47.
dc.identifier.doidoi.org/10.20998/2522-9052.2024.1.05
dc.identifier.orcidhttps://orcid.org/0000-0001-5214-0927
dc.identifier.orcidhttps://orcid.org/0000-0001-5357-1868
dc.identifier.orcidhttps://orcid.org/0000-0001-5332-9545
dc.identifier.orcidhttps://orcid.org/0000-0002-9440-8378
dc.identifier.orcidhttps://orcid.org/0000-0003-2623-3294
dc.identifier.urihttps://repository.kpi.kharkov.ua/handle/KhPI-Press/75573
dc.language.isoen
dc.publisherНаціональний технічний університет "Харківський політехнічний інститут"
dc.subjectmachine learning
dc.subjectPython
dc.subjectGPU
dc.subjectmultithreading
dc.subjectnumerical computations optimization
dc.subjectмашинне навчання
dc.subjectбагатопотоковість
dc.subjectоптимізація чисельних обчислень
dc.titlePerformance evaluation of python libraries for multithreading data processing
dc.title.alternativeОцінка продуктивності бібліотек Python для обробки даних з використанням багатопотоковості
dc.typeArticle

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
AIS_2024_8_1_Krivtsov_Performance.pdf
Розмір:
746.14 KB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
1.71 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

2024 № 1 Сучасні інформаційні системи