- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我的 Parquet 文件为 800K 行 x 8.7K 列。我将其加载到 dask 数据框中:
import dask.dataframe as dd
dask_train_df = dd.read_parquet('train.parquet')
dask_train_df.info()
这会产生:
<class 'dask.dataframe.core.DataFrame'>
Columns: 8712 entries, 0 to 8711
dtypes: int8(8712)
当我尝试执行诸如 dask_train_df.head()
或 dask_train_df.loc[2:4].compute()
之类的简单操作时,我会遇到内存错误,甚至具有 17+ GB 的 RAM。
但是,如果我这样做:
import pandas as pd
train = pd.read_parquet('../input/train.parquet')
train.info()
产量:
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 800000 entries, 0 to 799999
Columns: 8712 entries, 0 to 8711
dtypes: int8(8712)
memory usage: 6.5 GB
我可以运行train.head()
和train.loc[2:4]
没有任何问题,因为一切都已经在内存中了。
1)所以我的问题是,为什么这些简单的操作使用 Dask Dataframe 会增加内存使用量,但当我使用 Pandas Dataframe 将所有内容加载到内存中时却可以正常工作?
我注意到 npartitions=1
,并且在文档中看到 read_parquet
“将 Parquet 数据目录读入 Dask.dataframe,每个分区一个文件”。就我而言,听起来我正在失去拥有多个分区的所有并行化能力,但是 Dask Dataframe 内存使用量不应该受到单个 Pandas Dataframe 内存量的限制吗?
2) 另外,还有一个附带问题:如果我想通过在 Dask Dataframe 中分区来并行化这个单个 parquet 文件,我该怎么做?我在 dd.read_parquet 签名中没有看到 block 大小参数。我也尝试使用重新分区功能,但我相信沿行分区和在 Parquet 文件中,我想沿列分区?
最佳答案
首先,我想评论一下,8712 列相当多,您会发现解析架构/元数据可能会花费大量时间,更不用说数据加载了。
当fastparquet加载数据时,它首先分配一个足够大小的数据帧,然后迭代列/ block (具有适当的开销,在这种情况下显然很小)并将值分配给分配的数据帧。
当您通过 Dask 运行计算(任何计算)时,在许多情况下,输入变量和其他中间对象的内存中可能存在任务内副本。这通常不是问题,因为整个数据集应该分为许多部分,并且为了能够处理大于内存的数据集,小的中间体的内存开销是值得付出的代价。我不确定您在哪一点收到副本,这可能值得调查和预防。
就您而言,整个数据集是一个分区。这将导致单个加载任务在一个线程中运行。您将不会获得任何并行性,并且任何中间内部副本都适用于整个数据集。您可以通过选择列来仅加载部分数据,从而创建分区并以这种方式实现并行性。然而,处理 Parquet 数据的典型方法是使用“行组”分区(即沿着索引)和多个文件,因此避免该问题的真正方法是使用已经适当分区的数据。
请注意,由于您可以直接使用 fastparquet/pandas 加载数据,因此您也可以使用 to_parquet
方法或 fastparquet 的 write 保存分区版本。功能。
关于parquet - 使用从 parquet 文件创建的 dask 数据帧时内存使用过多,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/53917831/
我在具有 2CPU 和 3.75GB 内存 (https://aws.amazon.com/ec2/instance-types/) 的 c3.large Amazon EC2 ubuntu 机器上运
我想通过用户空间中的mmap-ing并将地址发送到内核空间从用户空间写入VGA内存(视频内存,而不是缓冲区),我将使用pfn remap将这些mmap-ed地址映射到vga内存(我将通过 lspci
在 Mathematica 中,如果你想让一个函数记住它的值,它在语法上是很轻松的。例如,这是标准示例 - 斐波那契: fib[1] = 1 fib[2] = 1 fib[n_]:= fib[n] =
我读到动态内存是在运行时在堆上分配的,而静态内存是在编译时在堆栈上分配的,因为编译器知道在编译时必须分配多少内存。 考虑以下代码: int n; cin>>n; int a[n]; 如果仅在运行期间读
我是 Python 的新手,但我之前还不知道这一点。我在 for 循环中有一个基本程序,它从站点请求数据并将其保存到文本文件但是当我检查我的任务管理器时,我发现内存使用量只增加了?长时间运行时,这对我
我正在设计一组数学函数并在 CPU 和 GPU(使用 CUDA)版本中实现它们。 其中一些函数基于查找表。大多数表占用 4KB,其中一些占用更多。基于查找表的函数接受一个输入,选择查找表的一两个条目,
读入一个文件,内存被动态分配给一个字符串,文件内容将被放置在这里。这是在函数内部完成的,字符串作为 char **str 传递。 使用 gdb 我发现在行 **(str+i) = fgetc(aFil
我需要证实一个理论。我正在学习 JSP/Java。 在查看了一个现有的应用程序(我没有写)之后,我注意到一些我认为导致我们的性能问题的东西。或者至少是其中的一部分。 它是这样工作的: 1)用户打开搜索
n我想使用memoization缓存某些昂贵操作的结果,这样就不会一遍又一遍地计算它们。 两个memoise和 R.cache适合我的需要。但是,我发现缓存在调用之间并不可靠。 这是一个演示我看到的问
我目前正在分析一些 javascript shell 代码。这是该脚本中的一行: function having() { memory = memory; setTimeout("F0
我有一种情况,我想一次查询数据库,然后再将整个数据缓存在内存中。 我得到了内存中 Elasticsearch 的建议,我用谷歌搜索了它是什么,以及如何在自己的 spring boot 应用程序中实现它
我正在研究 Project Euler (http://projecteuler.net/problem=14) 的第 14 题。我正在尝试使用内存功能,以便将给定数字的序列长度保存为部分结果。我正在
所以,我一直在做 Java 内存/注意力游戏作业。我还没有达到我想要的程度,它只完成了一半,但我确实让 GUI 大部分工作了......直到我尝试向我的框架添加单选按钮。我认为问题可能是因为我将 JF
我一直在尝试使用 Flask-Cache 的 memoize 功能来仅返回 statusTS() 的缓存结果,除非在另一个请求中满足特定条件,然后删除缓存。 但它并没有被删除,并且 Jinja 模板仍
我对如何使用 & 运算符来减少内存感到非常困惑。 我可以回答下面的问题吗? clase C{ function B(&$a){ $this->a = &$a; $thi
在编写代码时,我遇到了一个有趣的问题。 我有一个 PersonPOJO,其 name 作为其 String 成员之一及其 getter 和 setter class PersonPOJO { priv
在此代码中 public class Base { int length, breadth, height; Base(int l, int b, int h) { l
Definition Structure padding is the process of aligning data members of the structure in accordance
在 JavaScript Ninja 的 secret 中,作者提出了以下方案,用于在没有闭包的情况下内存函数结果。他们通过利用函数是对象这一事实并在函数上定义一个属性来存储过去调用函数的结果来实现这
我正在尝试找出 map 消耗的 RAM 量。所以,我做了以下事情;- Map cr = crPair.collectAsMap(); // 200+ entries System.out.printl
我是一名优秀的程序员,十分优秀!