Dask DataFrame'ler

Python ile Dask ile Paralel Programlama

James Fulton

Climate Informatics Researcher

pandas DataFrame'ler vs. Dask DataFrame'ler

import pandas as pd

# Tek bir csv dosyası oku
pandas_df = pd.read_csv(
    "dataset/chunk1.csv"
)

Bu, tek bir CSV dosyasını anında okur.

import dask.dataframe as dd

# Tüm csv dosyalarını tembelce oku
dask_df = dd.read_csv(
    "dataset/*.csv"
)

Bu, dataset klasöründeki tüm CSV dosyalarını tembelce okur.

Dask DataFrame'ler

print(dask_df)

Dask DataFrame Yapısı:
              ID     col1     col2    col3     col4     ...
npartitions=3                               
           int64   object   object   int64  float64     ...
             ...      ...      ...     ...      ...     ...
             ...      ...      ...     ...      ...     ...
             ...      ...      ...     ...      ...     ...
Dask Name: getitem, 3 tasks

Dask DataFrame görev grafiği

dask.visualize(dask_df)

Görev grafiği 3 yükleme işlemi gösteriyor.

Blok boyutunu kontrol etme

# Bir bloğun azami belleğini ayarla
dask_df = dd.read_csv("dataset/*.csv", blocksize="10MB")

print(dask_df)

Dask DataFrame Yapısı:
              ID     col1     col2    col3     col4     ...
npartitions=7                               
           int64   object   object   int64  float64     ...
             ...      ...      ...     ...      ...     ...
             ...      ...      ...     ...      ...     ...
             ...      ...      ...     ...      ...     ...
Dask Name: getitem, 7 tasks

Bölümleri açıklama

# Bir bloğun azami belleğini ayarla
dask_df = dd.read_csv("dataset/*.csv", blocksize="10MB")

Neden 7 bölüm?

boyut     dosya
  9M      dataset/chunk1.csv
 18M      dataset/chunk2.csv
 32M      dataset/chunk3.csv

Bölümleri açıklama

# Bir bloğun azami belleğini ayarla
dask_df = dd.read_csv("dataset/*.csv", blocksize="10MB")

Neden 7 bölüm?

boyut     dosya
  9M      dataset/chunk1.csv    # 1 bölüm olur
 18M      dataset/chunk2.csv    # 2 bölüm olur
 32M      dataset/chunk3.csv    # 4 bölüm olur

Dask DataFrame'lerle analiz

Sütun seç
```
col1 = dask_df['col1']
```
Sütun atama
```
dask_df['double_col1'] = 2 * col1
```
Matematiksel işlemler, ör.
```
dask_df.std()
dask_df.min()
```

Groupby
```
dask_df.groupby(col1).mean()
```
Daha önce kullandığınız fonksiyonlar bile
```
dask_df.nlargest(n=3, columns='col1')
```

Datetime ve diğer pandas işlevleri

import pandas as pd

# Dizeyi datetime biçimine çevirme
pd.to_datetime(pandas_df['start_date'])


# Datetime özniteliklerine erişim
pandas_df['start_date'].dt.year
pandas_df['start_date'].dt.day
pandas_df['start_date'].dt.hour
pandas_df['start_date'].dt.minute

import dask.dataframe as dd

# Dizeyi datetime biçimine çevirme
dd.to_datetime(dask_df['start_date'])


# Datetime özniteliklerine erişim
dask_df['start_date'].dt.year
dask_df['start_date'].dt.day
dask_df['start_date'].dt.hour
dask_df['start_date'].dt.minute

Sonuçları tembel olmayan yapma

# 5 satır göster
print(dask_df.head())

        ID     double_col1     col1    col2     col3     ...
0   543795              20       10     436        0     ...
1   874535              24       12     268        0     ...
2   781326              62       31     211        0     ...
3   112457              18        9     898        1     ...
4   103256             142       71     663        0     ...

# Tembel Dask DataFrame'i bellekteki pandas DataFrame'e çevir
results_df = df.compute()

Sonucu doğrudan dosyaya yazma

# 7 bölüm (parça), dolayısıyla 7 çıktı dosyası
dask_df.to_csv('answer/part-*.csv')

part-0.csv
part-1.csv
part-2.csv
part-3.csv
part-4.csv
part-5.csv
part-6.csv

Daha hızlı dosya biçimleri - Parquet

# Parquet'ten oku
dask_df = dd.read_parquet('dataset_parquet')

# Parquet'e kaydet
dask_df.to_parquet('answer_parquet')

Parquet, CSV'ye göre veriyi okurken birkaç kat daha hızlıdır
Yazma da daha hızlı olabilir

Hadi pratik yapalım!

Python ile Dask ile Paralel Programlama