使用Dask中的所有核心

Question

我正在开发一个包含24个vCPU的Google云计算实例。运行的代码如下

import dask.dataframe as dd
from distributed import Client
client = Client()

#read data
logd = (dd.read_csv('vol/800000test', sep='\t', parse_dates=['Date'])
         .set_index('idHttp')
         .rename(columns={'User Agent Type':'UA'})
         .categorize())

当我运行它时（这也是我在加载数据后进行的后验数据分析的情况）我看到使用了11个核心，有时是4个。

有没有办法更好地控制它并充分利用核心？

Answer 1

read_csv会根据chunksize参数将文件拆分为块，每个输入文件至少有一个块。您只读取一个文件，似乎您获得了四个分区（即大小<4 * 64MB）。这对于数据量可能是合理的，并且许多小任务的额外并行化可能仅增加开销。

尽管如此，您可以更改blocksize参数并查看它对您有何不同，或者查看传递多个文件时会发生什么，例如read_csv('vol/*test')。或者，您可以在调用set_index。

中设置分区