如何读取csv并使用dask处理行？

Question

我想读取一个28 to的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。我在没有使用dask的情况下发出同样的声音，它运行得很好；我使用的是Pandas (chunksize)，但是它太慢了，因此我想使用dask。

Answer 1

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

别这么做！

您将在单独的进程中加载各个部分，然后将所有要拼接到主进程中的单个数据帧中的数据进行传输。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)将每行打印到控制台，那么使用(pd.read_csv(chunksize=..))就非常好了。您可以使用Dask的分块来运行它，并且可能会得到一个加速，就是在读取数据的工作人员中进行打印：

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实际上为您获取了列，可能您需要迭代，或者您实际上希望以某种方式处理数据。