python - 存储在 bcolz 中时数据大小会爆炸

Question

我有一个包含约 7M 行和 3 列的数据集，其中 2 个数字和 1 个由约 20M 不同字符串 uuid 组成。数据作为 csv 文件需要大约 3G，castra 可以将其存储在大约 2G 中。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 之前生成了约 70G 的数据并崩溃。

将此类数据集导入 bcolz 的推荐方法是什么？

Answer 1

来自 Killian Mie 的 bcolz mailing list :

通过 pandas.read_csv() 分块读取 csv，将字符串列从 Python 对象数据类型转换为固定长度的 numpy 数据类型，例如“S20”，然后将其作为 numpy 数组附加到 ctable。

此外，在创建 ctable 时设置 chunklen=1000000 (或类似设置)，这将避免在/data 文件夹下创建数百个文件(尽管可能不是最佳压缩方式)

上述 2 个步骤对我来说效果很好(2000 万行，40-60 列)。

试试这个:

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)