python - 存储在 bcolz 中时数据大小爆炸

Question

我有一个包含约 7M 行和 3 列的数据集，2 个数字和 1 个由约 20M 不同的字符串 uuid 组成。数据作为csv文件需要3G左右，castra可以将其存储在2G左右。我想用这些数据测试 bcolz。

我试过了

odo(dask.dataframe.from_castra('data.castra'), 'data.bcolz')

在耗尽磁盘上的 inode 并崩溃之前生成了约 70G 的数据。

将这样的数据集导入 bcolz 的推荐方法是什么？

Answer 1

来自bcolz 邮件列表中的 Killian Mie ：

通过 分块读取 csv pandas.read_csv()，将您的字符串列从 Python 对象 dtype 转换为固定长度的 numpy dtype，例如“S20”，然后作为 numpy 数组附加到 ctable。

此外，chunklen=1000000在创建 ctable 时设置（或类似），这将避免在 /data 文件夹下创建数百个文件（虽然可能不是压缩的最佳选择）

上面的 2 个步骤对我来说效果很好（2000 万行，40-60 列）。

尝试这个：

df0 = ddf.from_castra("data.castra")
df = odo.odo(df0, pd.DataFrame)
names = df.columns.tolist()
types = ['float32', 'float32', 'S20']  # adjust 'S20' to your max string length needs
cols = [bcolz.carray(df[c].values, dtype=dt) for c, dt in zip(names, types)]

ct = bcolz.zeros(0, dtype=np.dtype(zip(names, types)), 
                    mode='w', chunklen=1000000, 
                    rootdir="data.bcolz")
ct.append(cols)