表格数据是实验学科科研里最常用的格式之一，特别是组学，现在有了单细胞转录组学跟高分辨质谱成像，这张表动辄几百万行上万列。这个数据量在CPU生态下做探索性数据分析几乎就是个灾难，要么就是爆内存，要么就是特别慢。我最近遇到这个问题，然后发现当前GPU是可以部分解决这个问题的，这里做个笔记。
虽然pytorch可以在不同平台编译做一些深度学习项目，但不得不承认基于CUDA的GPU生态，特别是RAPIDS套件里的 cuDF 跟 cuML，在探索性数据分析上目前没有可取代的。其可实现的常见算法包括但不限于主成分分析、UMAP、聚类分析例如（K-Means、DBSCAN）、图算法等：
PCA 底层是 SVD（奇异值分解），是标准的线性代数操作，GPU 上有专门优化的实现。RAPIDS 的 …