1

我有一个 m4.4xlarge（64 GB 内存）EC2 盒子。我正在和熊猫一起跑步。我收到以下内存错误。

我在运行大约 24 小时后得到了这个，这大约是任务完成所需的时间，所以我不确定错误是否是由于 RAM 不足，磁盘内存不足作为我执行 DF 的脚本的结尾.to_csv() 将大 DF 写入磁盘或 pandas/numpy 内部内存限制？

raise(remote_exception(res, tb))
    dask.async.MemoryError: 

Traceback
---------
  File "/home/ec2-user/anaconda2/lib/python2.7/site-packages/dask/async.py", line 267, in execute_task
    result = _execute_task(task, data)
  File "/home/ec2-user/anaconda2/lib/python2.7/site-packages/dask/async.py", line 248, in _execute_task
    args2 = [_execute_task(a, cache) for a in args]
  File "/home/ec2-user/anaconda2/lib/python2.7/site-packages/dask/async.py", line 249, in _execute_task
    return func(*args2)
  File "/home/ec2-user/anaconda2/lib/python2.7/site-packages/pandas/core/frame.py", line 4061, in apply
    return self._apply_standard(f, axis, reduce=reduce)
  File "/home/ec2-user/anaconda2/lib/python2.7/site-packages/pandas/core/frame.py", line 4179, in _apply_standard
    result = result._convert(datetime=True, timedelta=True, copy=False)
  File "/home/ec2-user/anaconda2/lib/python2.7/site-packages/pandas/core/generic.py", line 3004, in _convert
    copy=copy)).__finalize__(self)
  File "/home/ec2-user/anaconda2/lib/python2.7/site-packages/pandas/core/internals.py", line 2941, in convert
    return self.apply('convert', **kwargs)
  File "/home/ec2-user/anaconda2/lib/python2.7/site-packages/pandas/core/internals.py", line 2901, in apply
    bm._consolidate_inplace()
  File "/home/ec2-user/anaconda2/lib/python2.7/site-packages/pandas/core/internals.py", line 3278, in _consolidate_inplace
    self.blocks = tuple(_consolidate(self.blocks))
  File "/home/ec2-user/anaconda2/lib/python2.7/site-packages/pandas/core/internals.py", line 4269, in _consolidate
    _can_consolidate=_can_consolidate)
  File "/home/ec2-user/anaconda2/lib/python2.7/site-packages/pandas/core/internals.py", line 4289, in _merge_blocks
    new_values = _vstack([b.values for b in blocks], dtype)
  File "/home/ec2-user/anaconda2/lib/python2.7/site-packages/pandas/core/internals.py", line 4335, in _vstack
    return np.vstack(to_stack)
  File "/home/ec2-user/anaconda2/lib/python2.7/site-packages/numpy/core/shape_base.py", line 230, in vstack
    return _nx.concatenate([atleast_2d(_m) for _m in tup], 0)

更新：

因此，根据 MRocklin 的回答，提供了一些额外的信息。

这是我执行该过程的方式：

def dask_stats_calc(dfpath,v1,v2,v3...):
    dfpath_ddf = dd.from_pandas(dfpath,npartitions=16,sort=False)
    return dfpath_ddf.apply(calculate_stats,axis=1,args=(dfdaily,v1,v2,v3...)).compute(get=get).stack().reset_index(drop=True)

f_threaded = partial(dask_stats_calc,dfpath,v1,v2,v3...,multiprocessing.get)
f_threaded()

现在问题dfpath是一个 df 有 140 万行，因此dfpath_ddf.apply()运行超过 140 万行。

一旦整个dfpath_ddf.apply()完成，df.to_csv()就会发生，但就像你说的那样，最好定期写入磁盘。

现在的问题是，我如何实现每隔 200k 行定期写入磁盘之类的东西？我想我可以分解dfpath_ddf成 200k 块（或类似的东西）并依次运行每个块？

4

1 回答 1

1

单线程执行

有时，在等待写入磁盘上的单个文件时，任务会在 RAM 中建立。对于并行系统，使用这样的顺序输出本质上是棘手的。如果您需要使用单个文件，那么我建议您尝试相同的单线程计算，看看它是否有所作为。

with dask.set_options(get=dask.async.get_sync):
    DF.to_csv('out.csv')

写入多个文件

或者（并且首选）您可以尝试写入许多CSV 文件。这在调度上要容易得多，因为任务不必等到其前任完成才能写入磁盘并从 RAM 中删除自己。

DF.to_csv('out.*.csv')

例子

因此，并行执行和写入的一种常见且相当稳健的方法是将您的计算和最后的调用结合to_csv起来

ddf = dd.from_pandas(df, npartitions=100)
ddf.apply(myfunc).to_csv('out.*.csv')

这会将您的数据帧分成块，在每个块上调用您的函数，将该块写入磁盘，然后删除中间值，释放空间。

于 2016-07-18T20:37:53.600 回答