dask.dataframe.from_bcolz()立即开始处理

Question

我想知道为什么dd.from_bcolz()在被调用时立即开始做一些处理(当N列增加时会增长很多，并且有字符串类型的列)。

而且dd.read_hdf()在被调用时不会做太多的处理，但只有在使用dask.dataframe的时候--然后read_hdf()逐块读取和处理HDF5块……

我喜欢read_hdf现在的工作方式，唯一的问题是hdf5表的列不能超过1200列，并且dataframe不支持数组的列。而且hdf5格式毕竟不是基于列的……

In [1]: import dask.dataframe as dd

In [2]: import pandas as pd

In [3]: import bcolz, random

In [4]: import numpy as np

In [5]: N = int(1e7)

In [6]: int_col = np.linspace(0, 1, N)

In [7]: ct_disk = bcolz.fromiter(((i,i) for i in range(N)), dtype="i8,i8",\
   ...:                          count=N, rootdir=r'/mnt/nfs/ct_.bcolz')

In [8]: for i in range(10): ct_disk.addcol(int_col)

In [9]: import dask.dataframe as dd

In [10]: %time dd.from_bcolz(r'/mnt/nfs/ct_.bcolz', chunksize=1000000, lock=False)
CPU times: user 8 ms, sys: 16 ms, total: 24 ms
Wall time: 32.6 ms
Out[10]: dd.DataFrame<from_bc..., npartitions=10, divisions=(0, 1000000, 2000000, ..., 9000000, 9999999)>

In [11]: str_col= [''.join(random.choice('ABCD1234') for _ in range(5)) for i in range(int(N/10))]*10

In [12]: ct_disk.addcol(str_col, dtype='S5')

In [13]: %time dd.from_bcolz(r'/mnt/nfs/ct_.bcolz', chunksize=1000000, lock=False)
CPU times: user 2.36 s, sys: 56 ms, total: 2.42 s
Wall time: 2.44 s
Out[13]: dd.DataFrame<from_bc..., npartitions=10, divisions=(0, 1000000, 2000000, ..., 9000000, 9999999)>

In [14]: for i in range(10): ct_disk.addcol(str_col, dtype='S5')

In [15]: %time dd.from_bcolz(r'/mnt/nfs/ct_.bcolz', chunksize=1000000, lock=False)
CPU times: user 25.3 s, sys: 511 ms, total: 25.8 s
Wall time: 25.9 s
Out[15]: dd.DataFrame<from_bc..., npartitions=10, divisions=(0, 1000000, 2000000, ..., 9000000, 9999999)>

当N(n行)增长时，情况会变得更糟。

Answer 1

看起来就像今天写的那样，from_bcolz会自动对对象数据类型列进行分类。因此，它对所有对象数据类型列进行完全读取，并对它们调用unique。您可以通过设置categorize=False来关闭此功能。

如果您认为应该更改此行为，请提出github问题。