4

我正在构建一个非常大的 DAG 以提交给分布式调度程序，其中节点对本身可能非常大的数据帧进行操作。一种模式是我有大约 50-60 个函数来加载数据并构建每个数百 MB 的 pandas 数据帧（并在逻辑上表示单个表的分区）。我想将这些连接到图中下游节点的单个 dask 数据帧中，同时最大限度地减少数据移动。我像这样链接任务：

dfs = [dask.delayed(load_pandas)(i) for i in disjoint_set_of_dfs]
dfs = [dask.delayed(pandas_to_dask)(df) for df in dfs]
return dask.delayed(concat_all)(dfs)

在哪里

def pandas_to_dask(df):
    return dask.dataframe.from_pandas(df).to_delayed()

我已经尝试了各种concat_all实施，但这似乎是合理的：

def concat_all(dfs):
    dfs = [dask.dataframe.from_delayed(df) for df in dfs]
    return dask.dataframe.multi.concat(dfs, axis='index', join='inner')

所有 pandas 数据框的索引都是不相交的，并且是排序/单调的。

concat_all但是，即使每个人的内存预算实际上都相当大，我也不希望它会移动数据，但我正在杀死死于此功能的工作人员（集群管理器正在杀死他们超过他们的内存预算）。我有理由确定，compute()在使用 dask 数据帧的图形节点中调用之前，我总是切分到合理的数据子集。

--memory-limit到目前为止，我正在玩但没有成功。我至少正确地解决了这个问题吗？有没有我遗漏的注意事项？

4

1 回答 1

5

给定计算到熊猫数据帧的延迟值列表

>>> dfs = [dask.delayed(load_pandas)(i) for i in disjoint_set_of_dfs]
>>> type(dfs[0].compute())  # just checking that this is true
pandas.DataFrame

将它们传递给dask.dataframe.from_delayed函数

>>> ddf = dd.from_delayed(dfs)

默认情况下，这将运行第一个计算以确定元数据（对于 dask.dataframe 很重要的列名、dtypes 等）。您可以通过构建示例数据框并将其传递给meta=关键字来避免这种情况。

>>> meta = pd.DataFrame({'value': [1.0], 'name': ['foo'], 'id': [0]})
>>> ddf = dd.from_delayed(dfs, meta=meta)

这个示例笔记本也可能会有所帮助。

通常，您永远不需要从其他 dask 函数中调用 dask 函数（就像您通过延迟from_pandas调用所做的那样）。Dask.dataframe 函数本身已经很懒惰，不需要进一步延迟。

于 2017-06-07T00:15:04.020 回答