Skapa fördröjda pipelines

Parallellprogrammering med Dask i Python

James Fulton

Climate Informatics Researcher

Datachunkar

Ett diagram som visar en datamängd som ryms på en hårddisk men inte i RAM.

Ett diagram som visar en datamängd uppdelad i flera delar. Hela datamängden ryms inte i RAM, men de enskilda delarna gör det.

Parallellprogrammering med Dask i Python

Spotify-låtarnas datamängd

files = [
  '2005_tracks.csv',
  '2006_tracks.csv',
  '2007_tracks.csv',
  '2008_tracks.csv',
  '2009_tracks.csv',
  '2010_tracks.csv',
  ...
  '2020_tracks.csv',
]
Parallellprogrammering med Dask i Python

Spotify-låtarnas datamängd

                       name  duration_ms release_date  ...
0     Aldrig (feat. Carmon)       247869   2019-01-01  ...
2  2019 - The Year to Build       288105   2019-01-01  ...
3                 Na zawsze       186812   2019-01-01  ...
4         Humo en la Trampa       258354   2019-01-01  ...
5                     Au Au       176000   2019-01-01  ...
...                     ...          ...          ...  ...
Parallellprogrammering med Dask i Python

Analysera data

import pandas as pd

maximums = []

for file in files:
    # Load each file
    df = pd.read_csv(file)

# Find maximum track length in each file max_length = df['duration_ms'].max()
# Store this maximum maximums.append(max_length)
# Find the maximum of all the maximum lengths absolute_maximum = max(maximums)
Parallellprogrammering med Dask i Python

Analysera data

import pandas as pd

maximums = []

for file in files:
    # Load each file
    df = delayed(pd.read_csv)(file) # <------- delay loading
    # Find maximum track length in each file
    max_length = df['duration_ms'].max()
    # Store this maximum
    maximums.append(max_length)

# Find the maximum of all the maximum lengths
absolute_maximum = max(maximums)
Parallellprogrammering med Dask i Python

Analysera data

import pandas as pd

maximums = []

for file in files:
    # Load each file
    df = delayed(pd.read_csv)(file) # <------- delay loading
    # Find maximum track length in each file
    max_length = df['duration_ms'].max()
    # Store this maximum
    maximums.append(max_length)

# Find the maximum of all the maximum lengths
absolute_maximum = delayed(max)(maximums) # <------- delay max() function
Parallellprogrammering med Dask i Python

Använda metoder på ett delayed-objekt

import pandas as pd

maximums = []

for file in files:
    df = delayed(pd.read_csv)(file)
    # Use the .max() method
    max_length = df['duration_ms'].max()

    maximums.append(max_length)


absolute_maximum = delayed(max)(maximums)
print(max_length)
Delayed('max-0602855d-3ee6-4c43-a4d2-...')
  • Metoder och egenskaper på delayed-objekt returnerar nya delayed-objekt
print(df.shape)
print(df.shape.compute())
Delayed('getattr-bc1e8838ab...')
(11907, 12)
Parallellprogrammering med Dask i Python

Använda metoder på ett delayed-objekt

import pandas as pd

maximums = []

for file in files:
    df = delayed(pd.read_csv)(file)
    # Use a method which doesn't exist
    max_length = df['duration_ms'].fake()

    maximums.append(max_length)


absolute_maximum = delayed(max)(maximums)
print(max_length)
Delayed('max-6c026036-5daf-4b2-...')
  • Metoder körs inte förrän .compute() anropas
print(max_length.compute())
...
AttributeError: 'Series' object has no 
attribute 'fake'
Parallellprogrammering med Dask i Python

Använda metoder på ett delayed-objekt

import pandas as pd

maximums = []

for file in files:
    df = delayed(pd.read_csv)(file)

    max_length = df['duration_ms'].max()
    # Add delayed object to list
    maximums.append(max_length)

# Run delayed max on delayed objects list
absolute_maximum = delayed(max)(maximums)

maximums är en lista med delayed-objekt

print(maximums)
[Delayed('max-80b...'), 
Delayed('max-fa15d...', 
...]
Parallellprogrammering med Dask i Python

Beräkna listor med delayed-objekt

import pandas as pd

maximums = []

for file in files:
    df = delayed(pd.read_csv)(file)

    max_length = df['duration_ms'].max()
    # Add dalayed object to list
    maximums.append(max_length)

# Compute all the maximums
all_maximums = dask.compute(maximums)
print(all_maximums)
([2539418, 4368000, ...
... 4511716, 4864333],)
Parallellprogrammering med Dask i Python

Beräkna listor med delayed-objekt

import pandas as pd

maximums = []

for file in files:
    df = delayed(pd.read_csv)(file) 

    max_length = df['duration_ms'].max()

    maximums.append(max_length)

# Compute all the maximums
all_maximums = dask.compute(maximums)[0]
print(all_maximums)
[2539418, 4368000, ...
... 4511716, 4864333]
Parallellprogrammering med Dask i Python

Att fördröja eller inte fördröja

def get_max_track(df):
    return df['duration_ms'].max()

for file in files:
    df = delayed(pd.read_csv)(file) 
    # Use function to find max
    max_length = get_max_track(df)

    maximums.append(max_length)


absolute_maximum = delayed(max)(maximums)
Parallellprogrammering med Dask i Python

Djupare uppgraftsgraf

absolute_maximum.visualize()

Ett uppgiftsgraf som beskriver stegen för att beräkna det absoluta maxvärdet över filer. Grafen är stor men enkel.

Parallellprogrammering med Dask i Python

Nu kör vi en övning!

Parallellprogrammering med Dask i Python

Preparing Video For Download...