dask DataFrame.assign炸毁dask图

Question

所以我对dask DataFrame.append有个问题。我从主数据中生成了许多派生特征，并将它们附加到主数据框架中。在此之后，任何一组列的dask图都会被放大。下面是一个小示例：

%pylab inline
import numpy as np
import pandas as pd
import dask.dataframe as dd
from dask.dot import dot_graph

df=pd.DataFrame({'x%s'%i:np.random.rand(20) for i in range(5)})
ddf = dd.from_pandas(df, npartitions=2)

dot_graph(ddf['x0'].dask)

here is the dask graph as expected

g=ddf.assign(y=ddf['x0']+ddf['x1'])
dot_graph(g['x0'].dask)

here the graph for same column is exploded with irrelevant computation

想象一下，我有很多生成的列。因此，任何特定列的计算图都包括所有其他列的不相关计算。也就是说，在我的例子中，len(ddf‘’someColumn‘.dask)>100000。所以它很快就变得不可用了。

所以我的问题是这个问题能解决吗？是否有任何现有的方法可以做到这一点？如果不是--我应该朝什么方向去实现它呢？

谢谢!

Answer 1

您可能希望构建几个dask系列，然后在最后将它们连接在一起，而不是不断地将新列分配给dask数据帧

因此，与其这样做：

df['x'] = df.w + 1
df['y'] = df.x * 10
df['z'] = df.y ** 2

执行此操作

x = df.w + 1
y = x + 10
z = y * 2
df = df.assign(x=x, y=y, z=z)

或者这样：

dd.concat([df, x, y, z], axis=1)

然而，这可能仍然会导致图形中的任务数量相同，但可能会导致较少的内存副本。

或者，如果所有转换都是按行进行的，那么可以构造一个pandas函数并将其映射到所有分区

def f(part):
    part = part.copy()
    part['x'] = part.w + 1
    part['y'] = part.x * 10
    part['z'] = part.y ** 2
    return part

df = df.map_partitions(f)

此外，虽然百万节点的任务图不太理想，但它也应该是可以的。我见过较大的图形运行起来很舒服。