2

在这篇文章的基础上，我实现了自定义模式公式，但发现此函数的性能存在问题。本质上，当我进入这个聚合时，我的集群只使用我的一个线程，这对性能来说并不是很好。我正在对 16k 行中的 150 多个属性（主要是分类数据）进行计算，我认为我可以将其拆分为单独的线程/进程，然后再将它们重新组合成一个数据帧。请注意，此聚合必须在两列上，因此由于无法将单个列用作索引，我的性能可能会变得更差。

有没有办法将 dask futures 或并行处理合并到聚合计算中？

import dask.dataframe as dd
from dask.distributed import Client
from pandas import DataFrame

def chunk(s):
    return s.value_counts()

def agg(s):
    s = s._selected_obj
    return s.groupby(level=list(range(s.index.nlevels))).sum()

def finalize(s):
    # s is a multi-index series of the form (group, value): count. First
    # manually group on the group part of the index. The lambda will receive a
    # sub-series with multi index. Next, drop the group part from the index.
    # Finally, determine the index with the maximum value, i.e., the mode.
    level = list(range(s.index.nlevels - 1))
    return (
        s.groupby(level=level)
        .apply(lambda s: s.reset_index(level=level, drop=True).argmax())
    )

def main() -> DataFrame:
    client = Client('scheduler:8786')

    ddf = dd.read_csv('/sample/data.csv')
    custom_mode = dd.Aggregation('custom mode', chunk, agg, finalize)
    result = ddf.groupby(['a','b']).agg(custom_mode).compute()
    return result

旁注，我正在使用 Docker 使用 daskdev/dask (2.18.1) docker 映像来启动我的调度程序和工作人员。

4

1 回答 1

1

最后，我使用期货基本上并行化了每一列的聚合。由于我有这么多列，将每个聚合传递给它自己的工作线程为我节省了大量时间。感谢 David 的评论以及dask 文档中关于并行工作负载的文章！

from dask.distributed import Client
from pandas import DataFrame

def chunk(s):
    return s.value_counts()

def agg(s):
    s = s._selected_obj
    return s.groupby(level=list(range(s.index.nlevels))).sum()

def finalize(s):
    level = list(range(s.index.nlevels - 1))
    return (
        s.groupby(level=level)
        .apply(lambda s: s.reset_index(level=level, drop=True).idxmax())
    )

def delayed_mode(ddf, groupby, col, custom_agg):
    return ddf.groupby(groupby).agg({col: custom_agg}).compute()

def main() -> DataFrame:
    client = Client('scheduler:8786')

    ddf = dd.read_csv('/sample/data.csv')
    custom_mode = dd.Aggregation('custom mode', chunk, agg, finalize)

    futures = []

    for col in multiple_trimmed.columns:
        future = client.submit(delayed_mode, ddf, ["a", "b"], col, custom_mode_dask)
        futures.append(future)

    ddfs = client.gather(futures)
    result = pd.concat(ddfs, axis=1)
    return result
于 2020-06-19T13:22:06.413 回答