从拼花地板加载数据帧并计算RAM中的最大爆炸次数

Question

我是Dask新手，将熊猫数据框导出到具有行组的拼花地板：

x.to_parquet(path + 'ohlcv_TRX-PERP_978627_rowgrouped.prq', row_group_size=1000)

然后我尝试用Dask加载它，它似乎工作正常（？）：

x = dd.read_parquet(path + 'ohlcv_TRX-PERP_978627_rowgrouped.prq')
x

# Note: The dataframe has almost 2000 columns, I clipped them for here
Dask DataFrame Structure:
                        open     h
npartitions=978                   
2019-07-21 23:55:00  float64  floa
2019-07-22 16:35:00      ...      
                      ...      ...
2021-05-30 17:06:00      ...      
2021-05-31 03:32:00      ...      
Dask Name: read-parquet, 978 tasks

到目前为止，没有问题。但是当我调用x.max().compute()时，Dask似乎将整个数据集加载到RAM中（至少RAM会疯狂地加速），然后崩溃。只看max()：

x = x.max()
x

Dask Series Structure:
npartitions=1
ACCBL_10    float64
volume          ...
dtype: float64
Dask Name: dataframe-max-agg, 1957 tasks

根据Dask教程https://tutorial.dask.org/04_dataframe.html#Computations-with-dask.dataframe据我的理解，这应该可以很好地工作，尽管（？）

当我尝试仅对一列调用max()时，它也会耗尽内存：

x.open.max().compute()

我是做错了什么，还是应该这样做，我必须做些不同的事情

我现在还尝试使用distributed系统，并将客户端限制为10GB，但Dask再次占用24GB的RAM，只是打印了一条警告，表示工作组完全超出了设置的内存限制：

if __name__ == '__main__':

    client = Client(processes=False, memory_limit='5GB')

    x = dd.read_parquet(path + 'ohlcv_TRX-PERP_978627_rowgrouped.prq')
    print(x)
    s = x.max().compute()
    print(s)


distributed.worker - WARNING - Memory use is high but worker has no data to store to disk.  Perhaps some other process is leaking memory?  Process memory: 24.13 GB -- Worker memory limit: 5.00 GB

Answer 1

如果可能的话，我会将拼花地板保存到多个文件中（大小取决于您的硬件，但在笔记本电脑上，每个分区大约100-200 MB就可以了）。如果这不是一个选项，请尝试以下操作：

x.open.max(split_every=2).compute()

这样做的目的是要求dask计算每个分区的最大值，然后比较每2个分区的最大值，这样可以减少内存占用，但代价是要运行更多的任务。您可以使用split_every数字来查看硬件上是否可以容忍更高的值，但希望2可以工作

另外，如果您打算使用单个文件，那么使用vaex可能会获得更好的性能，请参见this comparison