Dask DataFrames

Parallel programmeren met Dask in Python

James Fulton

Climate Informatics Researcher

pandas DataFrames vs. Dask DataFrames

import pandas as pd

# Lees één csv-bestand
pandas_df = pd.read_csv(
    "dataset/chunk1.csv"
)

Dit leest direct één CSV-bestand.

import dask.dataframe as dd

# Alle csv-bestanden lui inlezen
dask_df = dd.read_csv(
    "dataset/*.csv"
)

Dit leest alle CSV’s in de map dataset lui in.

Dask DataFrames

print(dask_df)

Dask DataFrame-structuur:
              ID     col1     col2    col3     col4     ...
npartitions=3                               
           int64   object   object   int64  float64     ...
             ...      ...      ...     ...      ...     ...
             ...      ...      ...     ...      ...     ...
             ...      ...      ...     ...      ...     ...
Dask Name: getitem, 3 taken

Dask DataFrame-taakgrafiek

dask.visualize(dask_df)

De taakgrafiek toont 3 laadbewerkingen.

De grootte van blocks regelen

# Stel het maximum geheugen per chunk in
dask_df = dd.read_csv("dataset/*.csv", blocksize="10MB")

print(dask_df)

Dask DataFrame-structuur:
              ID     col1     col2    col3     col4     ...
npartitions=7                               
           int64   object   object   int64  float64     ...
             ...      ...      ...     ...      ...     ...
             ...      ...      ...     ...      ...     ...
             ...      ...      ...     ...      ...     ...
Dask Name: getitem, 7 taken

Partitions uitgelegd

# Stel het maximum geheugen per chunk in
dask_df = dd.read_csv("dataset/*.csv", blocksize="10MB")

Waarom 7 partitions?

size      file
  9M      dataset/chunk1.csv
 18M      dataset/chunk2.csv
 32M      dataset/chunk3.csv

Partitions uitgelegd

# Stel het maximum geheugen per chunk in
dask_df = dd.read_csv("dataset/*.csv", blocksize="10MB")

Waarom 7 partitions?

size      file
  9M      dataset/chunk1.csv    # wordt 1 partition
 18M      dataset/chunk2.csv    # wordt 2 partitions
 32M      dataset/chunk3.csv    # wordt 4 partitions

Analyseren met Dask DataFrames

Kolom selecteren
```
col1 = dask_df['col1']
```
Kolommen toekennen
```
dask_df['double_col1'] = 2 * col1
```
Wiskundige operaties, bijv.
```
dask_df.std()
dask_df.min()
```

Groupby
```
dask_df.groupby(col1).mean()
```
Ook functies die je eerder gebruikte
```
dask_df.nlargest(n=3, columns='col1')
```

Datetimes en andere pandas-functies

import pandas as pd

# String naar datetime converteren
pd.to_datetime(pandas_df['start_date'])


# Datetime-attributen openen
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

# String naar datetime converteren
dd.to_datetime(dask_df['start_date'])


# Datetime-attributen openen
dask_df['start_date'].dt.year
dask_df['start_date'].dt.day
dask_df['start_date'].dt.hour
dask_df['start_date'].dt.minute

Resultaten niet-lui maken

# Toon 5 rijen
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     ...

# Converteer luie Dask DataFrame naar pandas in het geheugen
results_df = df.compute()

Antwoord direct naar bestand schrijven

# 7 partitions (chunks) dus 7 uitvoerbestanden
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

Snellere bestandsformaten - Parquet

# Lees van parquet
dask_df = dd.read_parquet('dataset_parquet')

# Schrijf naar parquet
dask_df.to_parquet('answer_parquet')

Parquet is meerdere keren sneller om te lezen dan CSV
Kan ook sneller schrijven

Laten we oefenen!

Parallel programmeren met Dask in Python