Dask DataFrame

Python 中的 Dask 并行编程

James Fulton

Climate Informatics Researcher

pandas 与 Dask DataFrame 对比

import pandas as pd

# 读取单个 CSV 文件
pandas_df = pd.read_csv(
    "dataset/chunk1.csv"
)

这会立即读取一个 CSV 文件。

import dask.dataframe as dd

# 延迟读取全部 CSV 文件
dask_df = dd.read_csv(
    "dataset/*.csv"
)

这会延迟读取 dataset 文件夹中的所有 CSV。

Dask DataFrame

print(dask_df)

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

Dask DataFrame 任务图

dask.visualize(dask_df)

任务图显示 3 个加载操作。

控制块大小

# Set the maximum memory of a chunk
dask_df = dd.read_csv("dataset/*.csv", blocksize="10MB")

print(dask_df)

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

分区说明

# Set the maximum memory of a chunk
dask_df = dd.read_csv("dataset/*.csv", blocksize="10MB")

为什么是 7 个分区？

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

分区说明

# Set the maximum memory of a chunk
dask_df = dd.read_csv("dataset/*.csv", blocksize="10MB")

为什么是 7 个分区？

size      file
  9M      dataset/chunk1.csv    # 变为 1 个分区
 18M      dataset/chunk2.csv    # 变为 2 个分区
 32M      dataset/chunk3.csv    # 变为 4 个分区

用 Dask DataFrame 做分析

选择列
```
col1 = dask_df['col1']
```
赋值新列
```
dask_df['double_col1'] = 2 * col1
```
数学运算，如：
```
dask_df.std()
dask_df.min()
```

分组聚合
```
dask_df.groupby(col1).mean()
```
还可用之前的函数
```
dask_df.nlargest(n=3, columns='col1')
```

日期时间与其他 pandas 功能

import pandas as pd

# 将字符串转为 datetime
pd.to_datetime(pandas_df['start_date'])


# 访问 datetime 属性
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

# 将字符串转为 datetime
dd.to_datetime(dask_df['start_date'])


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

将结果变为非惰性

# 显示 5 行
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     ...

# 将惰性 Dask DataFrame 转为内存中的 pandas DataFrame
results_df = df.compute()

直接将结果写入文件

# 7 个分区（块），因此生成 7 个输出文件
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

更快的文件格式：Parquet

# 从 Parquet 读取
dask_df = dd.read_parquet('dataset_parquet')

# 保存为 Parquet
dask_df.to_parquet('answer_parquet')

Parquet 读取速度比 CSV 快数倍
写入也可能更快

Vamos praticar!

Python 中的 Dask 并行编程