2016-07-28 113 views
1

我想知道为什么dd.from_bcolz()在调用时立即开始做一些处理(当N列上升并且存在字符串类型列时,它会很快增长)。dask.dataframe.from_bcolz()开始立即处理

而且dd.read_hdf()调用时没有做太多的处理,但只有当dask.dataframe使用 - 那么read_hdf()读取和处理HDF5由大块大块......

我怎么样read_hdf现在工作,唯一的问题是hdf5表不能有多于1200列,而dataframe不支持列数组。并且hdf5格式毕竟不是列的...

In [1]: import dask.dataframe as dd 

In [2]: import pandas as pd 

In [3]: import bcolz, random 

In [4]: import numpy as np 

In [5]: N = int(1e7) 

In [6]: int_col = np.linspace(0, 1, N) 

In [7]: ct_disk = bcolz.fromiter(((i,i) for i in range(N)), dtype="i8,i8",\ 
    ...:       count=N, rootdir=r'/mnt/nfs/ct_.bcolz') 

In [8]: for i in range(10): ct_disk.addcol(int_col) 

In [9]: import dask.dataframe as dd 

In [10]: %time dd.from_bcolz(r'/mnt/nfs/ct_.bcolz', chunksize=1000000, lock=False) 
CPU times: user 8 ms, sys: 16 ms, total: 24 ms 
Wall time: 32.6 ms 
Out[10]: dd.DataFrame<from_bc..., npartitions=10, divisions=(0, 1000000, 2000000, ..., 9000000, 9999999)> 

In [11]: str_col= [''.join(random.choice('ABCD1234') for _ in range(5)) for i in range(int(N/10))]*10 

In [12]: ct_disk.addcol(str_col, dtype='S5') 

In [13]: %time dd.from_bcolz(r'/mnt/nfs/ct_.bcolz', chunksize=1000000, lock=False) 
CPU times: user 2.36 s, sys: 56 ms, total: 2.42 s 
Wall time: 2.44 s 
Out[13]: dd.DataFrame<from_bc..., npartitions=10, divisions=(0, 1000000, 2000000, ..., 9000000, 9999999)> 

In [14]: for i in range(10): ct_disk.addcol(str_col, dtype='S5') 

In [15]: %time dd.from_bcolz(r'/mnt/nfs/ct_.bcolz', chunksize=1000000, lock=False) 
CPU times: user 25.3 s, sys: 511 ms, total: 25.8 s 
Wall time: 25.9 s 
Out[15]: dd.DataFrame<from_bc..., npartitions=10, divisions=(0, 1000000, 2000000, ..., 9000000, 9999999)> 

而且,当N(nrows)长大时它会变得更糟。

回答

0

看起来像今天写的from_bcolz自动分类对象dtype列。因此,它正在对所有对象dtype列进行完整读取,并在其上调用unique。您可以通过设置categorize=False来关闭此功能。

如果您认为应该更改此行为,请提出github问题。