我有一个包含 17,850,209 行的 CSV,对于 Pandas
来说太大了,无法处理我的整个代码,因此我尝试使用 Dask
对其进行操作。我的所有代码都“有效”,但是当我将 CSV 写入磁盘时,我没有获得所有 17,850,209 条记录。相反,我得到了 N
个 CSV(其中 N
= npartitions
),每个 CSV 仅包含 50,000 条记录,在本例中总共有 900,000 条记录。
首先,我读取原始 CSV 并使用前 2 行和时间戳创建干净的数据框:
import pandas as pd
import numpy as np
import time as t
import dask.dataframe as dd
my_dtypes = {
'uid': object,
'state': object,
'var01': np.float64,
'var02': np.float64
}
df_raw = pd.read_csv('/Users/me/input_data/stackoverflow_raw.csv', dtype = my_dtypes, sep=',')
df_clean = pd.DataFrame(df_raw['uid'].str.strip().str.replace('{','').str.replace('}',''))
df_clean['state'] = pd.DataFrame(df_raw['state'].str.strip())
df_clean['rowcreatetimestamp'] = t.strftime("%Y-%m-%d %H:%M:%S")
这给了我以下(正确的)计数:
df_clean.count()
# uid 17850209
# state 17850209
# rowcreatetimestamp 17850209
# dtype: int64
然后,我将其移动到卡盘大小为 1,000,000 的 Dask
(我团队的大多数机器都可以处理)。
df_clean = dd.from_pandas(df_clean, chunksize=1000000)
df_clean
# dd.DataFrame<from_pa..., npartitions=18, divisions=(0, 1000000, 2000000, ..., 17000000, 17850208)>
df_clean.compute()
# [17850209 rows x 3 columns]
df_clean.count().compute()
# uid 17850209
# state 17850209
# rowcreatetimestamp 17850209
# dtype: int64
然而,当我执行第一个 Dask
操作时,它仅“保留”数据帧的 900,000 行并创建 50,000 行新列:
df_clean['var01'] = dd.from_array(np.where((df_raw['var01'] > 0), 1, 0))
df_clean.compute()
# [900000 rows x 4 columns]
df_clean.count().compute()
uid 900000
state 900000
rowcreatetimestamp 900000
var01 50000
dtype: int64
当我将 Dask
数据帧写入磁盘时,我得到 18 个 CSV,每个 50,000 条记录。我使用了compute=True参数并省略了它并得到了相同的结果:
df_clean.to_csv('/Users/me/input_data/stackoverflow_clean_*.csv', header=True, sep=',', index=False, compute=True)
df_clean.to_csv('/Users/me/input_data/stackoverflow_clean_*.csv', header=True, sep=',', index=False)
当我写入单个文件时,我得到 900,000 条记录加上标题:
df_clean.compute().to_csv('/Users/me/input_data/stackoverflow_clean_one_file.csv', header=True, sep=',', index=False)
(在 bash 中)
wc -l '/Users/me/input_data/stackoverflow_clean_one_file.csv'
900001
虽然 900,000 条记录是错误的,但当我打开 CSV 时,只有前 50,000 行包含 var01
的数据。
我搜索了latest documentation但还没有看到我在输出包含所有数据的 block 文件或具有正确行数的单个文件方面缺少什么。
TIA。
最佳答案
这句话有点奇怪
df_clean['var01'] = dd.from_array(np.where((df_raw['var01'] > 0), 1, 0))
您将 dask.dataframe、dask.array 和 numpy 混合在一起。即使支持这种行为(这是不确定的),像这样混合惰性操作和具体操作可能会非常非常慢。
我建议使用dd.Series.where
df_clean['var01'] = df_raw.var01.where(df_raw.var01 > 0, 1)
df_clean['var01'] = df_raw.var01.where(df_raw.var01 < 0, 0)
关于python - 了解 Dask 中分区的工作原理,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/42787984/