python - 从 dask.Series 列表高效创建 dask.array

Question

从 dask.Series 列表创建 dask.array 最有效的方法是什么？ 该系列由500万个列表300个元素组成。 目前分为500个分区。 目前我正在尝试:

pt = [delayed(np.array)(y)
      for y in
      [delayed(list)(x)
       for x in series.to_delayed()]]
da = delayed(dask.array.concatenate)(pt, axis=1)
da = dask.array.from_delayed(da, (vec.size.compute(), 300), dtype=float)

想法是将每个分区转换为 numpy 数组并拼接 它们一起形成一个dask.array。 不过，这段代码需要永远运行。 只要有足够的 RAM，就可以从这些数据中快速地按顺序构建 numpy 数组。

Answer 1

我认为您使用 dask.delayed 的做法是正确的。然而，在该系列上调用 list 可能并不理想。我将创建一个函数，将您的系列之一转换为 numpy 数组，然后进行延迟处理。

def convert_series_to_array(pandas_series):  # make this as fast as you can
    ...
    return numpy_array

L = dask_series.to_delayed()
L = [delayed(convert_series_to_array)(x) for x in L]
arrays = [da.from_delayed(x, shape=(np.nan, 300), dtype=...) for x in L]
x = da.concatenate(arrays, axis=0)

另外，关于这一行:

da = delayed(dask.array.concatenate)(pt, axis=1)

您永远不应该在 dask 函数上调用延迟。他们已经很懒了。