我正在使用 impala.util
中的 as_pandas
实用程序来读取从配置单元获取的 dataframe
形式的数据。但是,使用 pandas,我认为我将无法处理大量数据,而且速度也会变慢。我一直在阅读有关 dask 的内容,它提供了读取大型数据文件的出色功能。我如何使用它来有效地从配置单元获取数据。
def as_dask(cursor):
"""Return a DataFrame out of an impyla cursor.
This will pull the entire result set into memory. For richer pandas-
like functionality on distributed data sets, see the Ibis project.
Parameters
----------
cursor : `HiveServer2Cursor`
The cursor object that has a result set waiting to be fetched.
Returns
-------
DataFrame
"""
import pandas as pd
import dask
import dask.dataframe as dd
names = [metadata[0] for metadata in cursor.description]
dfs = dask.delayed(pd.DataFrame.from_records)(cursor.fetchall(),
columns=names)
return dd.from_delayed(dfs).compute()
最佳答案
目前没有直接的方法可以做到这一点。您最好看看 dask.dataframe.read_sql_table 的实现和 intake-sql 中的类似代码- 您可能需要一种方法来对数据进行分区,并让每个工作人员通过调用delayed()
来获取一个分区。然后可以使用 dd.from_delayed 和 dd.concat 将各个部分拼接在一起。
-编辑-
你的函数将延迟的想法从后到前。您正在延迟并立即在单个游标上操作的函数中具体化数据 - 它无法并行化,并且如果数据很大的话会破坏您的内存(这就是您尝试这样做的原因)。
假设您可以形成一组 10 个查询,其中每个查询获取数据的不同部分;不要不要使用 OFFSET,而是在 Hive 索引的某些列上使用条件。 您想做类似的事情:
queries = [SQL_STATEMENT.format(i) for i in range(10)]
def query_to_df(query):
cursor = impyla.execute(query)
return pd.DataFrame.from_records(cursor.fetchall())
现在您有了一个返回分区且不依赖全局对象的函数 - 它只接受字符串作为输入。
parts = [dask.delayed(query_to_df)(q) for q in queries]
df = dd.from_delayed(parts)
关于pandas - 使用dask从Hive读取数据,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/52875508/