Python 在Dask中重新使用中间结果(混合延迟和Dask.dataframe)
根据我在上收到的答案,我编写了一个ETL过程,如下所示: ETL过程经历了几个步骤:Python 在Dask中重新使用中间结果(混合延迟和Dask.dataframe),python,dask,Python,Dask,根据我在上收到的答案,我编写了一个ETL过程,如下所示: ETL过程经历了几个步骤: 预处理文件,识别不包含任何相关数据的行并解析元数据 使用收集的信息,处理错误信息、元数据并并行地将数据线加载到数据帧中(重新使用预处理步骤的结果)。操作(process\u metadata,process\u errors,load\u file)具有共享数据依赖性,因为它们都使用在预处理步骤中收集的信息。理想情况下,预处理步骤只运行一次,结果在各个流程之间共享 最后,将pandas数据帧收集到dask数据
process\u metadata
,process\u errors
,load\u file
)具有共享数据依赖性,因为它们都使用在预处理步骤中收集的信息。理想情况下,预处理步骤只运行一次,结果在各个流程之间共享李>
categorize
和to\u hdf
立即触发计算,丢弃元数据和错误数据,否则将由process\u errors
和process\u metadata
进一步处理
我被告知延迟对
dask.dataframes
的操作可能会导致问题,这就是为什么我非常想知道是否有可能立即触发整个计算(处理元数据、处理错误、加载数据帧、转换数据帧并以HDF格式存储它们),允许不同的进程共享在预处理阶段收集的数据。有两种解决问题的方法:
compute=
关键字参数,您可以将该参数设置为False。如果为False,它将返回一个dask.delayed
值,您可以随时计算该值
但是,如果要继续使用dask.dataframe,则需要立即计算categorize调用。我们无法创建一致的dask.dataframe,而不立即检查数据。最近在联合分类方面的改进将让我们在未来改变这一点,但现在你被卡住了。如果这是您的拦截器,那么您必须切换到dask.delayed
,并使用df.to\u delayed()
分期计算
如果使用,则可以通过使用分期计算
这将允许您触发一些计算,并且仍然允许您继续定义您的计算。保存的值将保留在内存中 我有一个关于延迟的
的问题。它将1个数据帧转换为延迟分区列表。当我将其传递到延迟的f
中时,f
似乎接收到一个分区列表。如果我传递了一个延迟分区的延迟列表,我会期望f
收到一个延迟分区列表。但是,它仍然会收到分区列表。这对我来说似乎很奇怪,好像人们对懒惰有着深刻的评价。
import pandas as pd
from dask import delayed
from dask import dataframe as dd
def preprocess_files(filename):
"""Reads file, collects metadata and identifies lines not containing data.
"""
...
return filename, metadata, skiprows
def load_file(filename, skiprows):
"""Loads the file into a pandas dataframe, skipping lines not containing data."""
return df
def process_errors(filename, skiplines):
"""Calculates error metrics based on the information
collected in the pre-processing step
"""
...
def process_metadata(filename, metadata):
"""Analyses metadata collected in the pre-processing step."""
...
values = [delayed(preprocess_files)(fn) for fn in file_names]
filenames = [value[0] for value in values]
metadata = [value[1] for value in values]
skiprows = [value[2] for value in values]
error_results = [delayed(process_errors)(arg[0], arg[1])
for arg in zip(filenames, skiprows)]
meta_results = [delayed(process_metadata)(arg[0], arg[1])
for arg in zip(filenames, metadata)]
dfs = [delayed(load_file)(arg[0], arg[1])
for arg in zip(filenames, skiprows)]
... # several delayed transformations defined on individual dataframes
# finally: categorize several dataframe columns and write them to HDF5
dfs = dd.from_delayed(dfs, meta=metaframe)
dfs.categorize(columns=[...]) # I would like to delay this
dfs.to_hdf(hdf_file_name, '/data',...) # I would also like to delay this
all_operations = error_results + meta_results # + delayed operations on dask dataframe
# trigger all computation at once,
# allow re-using of data collected in the pre-processing step.
dask.compute(*all_operations)
from dask.distributed import Executor
e = Executor() # make a local "cluster" on your laptop
delayed_values = e.persist(*delayed_values)
... define further computations on delayed values ...
results = dask.compute(results) # compute as normal