Python Dask内存不足，即使有块

我正在处理大的CSV文件，我需要做一个笛卡尔积（合并操作）。我曾试图解决Panda的问题（您可以检查Panda的代码和相同问题的数据格式示例），但由于内存错误，没有成功。现在，我正在尝试Dask，它应该能够管理巨大的数据集，即使它的大小大于可用的RAM

首先，我阅读了CSV：

from dask import dataframe as dd

BLOCKSIZE = 64000000  # = 64 Mb chunks


df1_file_path = './mRNA_TCGA_breast.csv'
df2_file_path = './miRNA_TCGA_breast.csv'

# Gets Dataframes
df1 = dd.read_csv(
    df1_file_path,
    delimiter='\t',
    blocksize=BLOCKSIZE
)
first_column = df1.columns.values[0]
df1.set_index(first_column)
df2 = dd.read_csv(
    df2_file_path,
    delimiter='\t',
    blocksize=BLOCKSIZE
)
first_column = df2.columns.values[0]
df2.set_index(first_column)

# Filter common columns
common_columns = df1.columns.intersection(df2.columns)
df1 = df1[common_columns]
df2 = df2[common_columns]

然后，我在磁盘上进行存储操作以防止内存错误：

# Computes a Cartesian product
df1['_tmpkey'] = 1
df2['_tmpkey'] = 1

# Neither of these two options work
# df1.merge(df2, on='_tmpkey').drop('_tmpkey', axis=1).to_hdf('/tmp/merge.*.hdf', key='/merge_data')
# df1.merge(df2, on='_tmpkey').drop('_tmpkey', axis=1).to_parquet('/tmp/')

---

我已经做好了准备。我尝试过使用较小的

块大小
值，但得到了相同的错误。我错过什么了吗？非常感谢您的任何帮助。
我使用以下方法成功运行了您的代码，内存限制为32GB

我已经去掉了参数
BLOCKSIZE
，在df1和df2上使用了
重新分区

df1 = df1.repartition(npartitions=50)
df2 = df2.repartition(npartitions=1)

请注意，与df1相比，df2的大小实际上更小（2.5 MB vs 23.75 MB），这就是为什么我只为df2保留了一个分区，并将df1分成50个分区的原因

这样做应该使代码为您工作。
对我来说，使用的内存保持在12GB以下

为了检查，我计算了结果的len：

len(df) # 3001995

按照上面的内容创建一个有50个分区的拼花地板文件。
您可以再次使用
重新分区
，以获得所需的分区大小

NB:

添加此选项可以加快代码的速度：

from dask.distributed import Client
client = Client()

在我的例子中，由于我的运行环境，我不得不使用参数
Client（processs=False）
。
您也可以共享普通的Pandas代码吗？你有输出应该是什么样子的例子吗？谢谢你的关注！当然可以！我编辑了这个问题，添加了另一个堆栈溢出问题的链接，在这里您可以欣赏代码和数据格式示例非常感谢！！我试试看，告诉你不客气。也许你可以用不到50英镑试试。我一开始试过100，当然！由于它可以并行运行多次，我可能会选择一个占用更少内存的重新分区大小，以避免出现错误。又比你强！你好它起作用了！不幸的是，它非常慢，因为我必须设置更多的分区（我只有8GB的RAM）。我会按照中的建议尝试Cython和Numba，看看会发生什么我不知道这对你是否有可能，但你可以使用超过8GB的内存