Dask DataFrame

Programmazione parallela con Dask in Python

James Fulton

Climate Informatics Researcher

pandas DataFrame vs Dask DataFrame

import pandas as pd

# Leggi un singolo file CSV
pandas_df = pd.read_csv(
    "dataset/chunk1.csv"
)

Questo legge subito un singolo file CSV.

import dask.dataframe as dd

# Leggi pigramente tutti i file CSV
dask_df = dd.read_csv(
    "dataset/*.csv"
)

Questo legge in modo lazy tutti i CSV nella cartella dataset.

Dask DataFrame

print(dask_df)

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

Task graph di Dask DataFrame

dask.visualize(dask_df)

Il task graph mostra 3 operazioni di caricamento.

Controllare la dimensione dei blocchi

# Imposta la memoria massima di un blocco
dask_df = dd.read_csv("dataset/*.csv", blocksize="10MB")

print(dask_df)

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

Spiegare le partizioni

# Imposta la memoria massima di un blocco
dask_df = dd.read_csv("dataset/*.csv", blocksize="10MB")

Perché 7 partizioni?

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

Spiegare le partizioni

# Imposta la memoria massima di un blocco
dask_df = dd.read_csv("dataset/*.csv", blocksize="10MB")

Perché 7 partizioni?

size      file
  9M      dataset/chunk1.csv    # diventa 1 partizione
 18M      dataset/chunk2.csv    # diventa 2 partizioni
 32M      dataset/chunk3.csv    # diventa 4 partizioni

Analisi con Dask DataFrame

Seleziona colonna
```
col1 = dask_df['col1']
```
Assegna colonne
```
dask_df['double_col1'] = 2 * col1
```
Operazioni matematiche, es.:
```
dask_df.std()
dask_df.min()
```

Groupby
```
dask_df.groupby(col1).mean()
```
Anche funzioni usate prima
```
dask_df.nlargest(n=3, columns='col1')
```

Datetime e altre funzionalità di pandas

import pandas as pd

# Converti stringa in datetime
pd.to_datetime(pandas_df['start_date'])


# Attributi datetime
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

# Converti stringa in datetime
dd.to_datetime(dask_df['start_date'])


# Attributi datetime
dask_df['start_date'].dt.year
dask_df['start_date'].dt.day
dask_df['start_date'].dt.hour
dask_df['start_date'].dt.minute

Rendere i risultati non-lazy

# Mostra 5 righe
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     ...

# Converte il Dask DataFrame lazy in un pandas DataFrame in memoria
results_df = df.compute()

Scrivere l'output direttamente su file

# 7 partizioni (blocchi) quindi 7 file di output
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

Formati più veloci: Parquet

# Leggi da Parquet
dask_df = dd.read_parquet('dataset_parquet')

# Salva in Parquet
dask_df.to_parquet('answer_parquet')

Il formato Parquet è più volte più veloce da leggere rispetto al CSV
Può essere più rapido anche in scrittura

Ayo berlatih!

Programmazione parallela con Dask in Python