python - 如何使用 dask 读取 csv 并处理行？

Question

我想读取 28Gb csv 文件并打印内容。但是，我的代码:

import json
import sys
from datetime import datetime
from hashlib import md5

import dask.dataframe as dd
import dask.multiprocessing
import pandas as pd

from kyotocabinet import *


class IndexInKyoto:

    def hash_string(self, string):
        return md5(string.encode('utf-8')).hexdigest()

    def dbproc(self, db):
        db[self.hash_string(self.row)] = self.row

    def index_row(self, row):
        self.row = row
        DB.process(self.dbproc, "index.kch")

start_time = datetime.utcnow()
row_counter = 0
ob = IndexInKyoto()
df = dd.read_csv("/Users/aviralsrivastava/dev/levelsdb-learning/10gb.csv", blocksize=1000000)
df = df.compute(scheduler='processes')     # convert to pandas
df = df.to_dict(orient='records')
for row in df:
    ob.index_row(row)
print("Total time:")
print(datetime.utcnow-start_time)

不工作。当我运行命令 htop 时，我可以看到 dask 正在运行，但没有任何输出。也没有创建任何index.kch 文件。我在不使用 dask 的情况下提示了同样的事情，并且运行良好；我使用的是 Pandas 流 api (chunksize)，但速度太慢，因此我想使用 dask。

Answer 1

df = df.compute(scheduler='processes')     # convert to pandas

不要这样做!

您正在单独的进程中加载​​这些片段，然后将所有要拼接的数据传输到主进程中的单个数据帧中。这只会增加处理开销，并在内存中创建数据副本。

如果您想要做的只是(出于某种原因)将每一行打印到控制台，那么您将非常适合使用 Pandas 流式 CSV 阅读器 (pd.read_csv(chunksize=..) )。您可以使用Dask的分块来运行它，并且如果您在读取数据的工作线程中进行打印，则可能会获得加速:

df = dd.read_csv(..)

# function to apply to each sub-dataframe
@dask.delayed
def print_a_block(d):
    for row in df:
        print(row)

dask.compute(*[print_a_block(d) for d in df.to_delayed()])

请注意，for row in df 实际上会获取列，也许您想要 iterrows，或者也许您实际上想以某种方式处理数据。