Question

我想读取一个28Gb csv文件并打印内容。但是，我的代码：

import json
import sys
from datetime import datetime
from hashlib import md5

import dask.dataframe as dd
import dask.multiprocessing
import pandas as pd

from kyotocabinet import *


class IndexInKyoto:

    def hash_string(self, string):
        return md5(string.encode('utf-8')).hexdigest()

    def dbproc(self, db):
        db[self.hash_string(self.row)] = self.row

    def index_row(self, row):
        self.row = row
        DB.process(self.dbproc, "index.kch")

start_time = datetime.utcnow()
row_counter = 0
ob = IndexInKyoto()
df = dd.read_csv("/Users/aviralsrivastava/dev/levelsdb-learning/10gb.csv", blocksize=1000000)
df = df.compute(scheduler='processes')     # convert to pandas
df = df.to_dict(orient='records')
for row in df:
    ob.index_row(row)
print("Total time:")
print(datetime.utcnow-start_time)

不起作用。当我运行命令htop时，我可以看到dask正在运行，但是没有任何输出。也没有创建任何index.kch文件。我在不使用dask的情况下就做了同样的事情，并且运行良好。我当时使用的是Pandas流式API（chunksize），但速度太慢，因此我想使用dask。

Answer 1

df = df.compute(scheduler='processes')     # convert to pandas

不要这样做！

您要在单独的流程中加载片段，然后在主流程中将所有要缝合的数据传输到单个数据帧中。这只会增加处理的开销，并在内存中创建数据的副本。

如果您只想（出于某种原因）将每一行打印到控制台，那么使用Pandas流式CSV阅读器（pd.read_csv(chunksize=..)）将会非常不错。您可以使用Dask的分块来运行它，也许可以提高速度，因为您在读取数据的工作程序中进行打印：

df = dd.read_csv(..)

# function to apply to each sub-dataframe
@dask.delayed
def print_a_block(d):
    for row in df:
        print(row)

dask.compute(*[print_a_block(d) for d in df.to_delayed()])

请注意，for row in df实际上是为您提供了列，也许您想增加列数，或者实际上想要以某种方式处理数据。

如何使用dask读取csv并处理行？

1 个答案: