我尝试在python3.4中使用DASK包来避免大型数据集的RAM问题,但是我注意到了一个问题。在
使用本机函数“read_csv”,我使用小于150MB的RAM将大数据集加载到dask数据帧中。在
使用PANDAS DB Connection(使用limit和offset选项)和dask函数“from unu PANDAS”读取的相同数据集将我的ramuo填充到500/750mb。在
我不明白为什么会这样,我想解决这个问题。在
代码如下:
def read_sql(schema,tab,cond):
sql_count="""Select count(*) from """+schema+"""."""+tab
if (len(cond)>0):
sql_count+=""" where """+cond
a=pd.read_sql_query(sql_count,conn)
num_record=a['count'][0]
volte=num_record//10000
print(num_record)
if(num_record%10000>0):
volte=volte+1
sql_base="""Select * from """+schema+"""."""+tab
if (len(cond)>0):
sql_base+=""" where """+cond
sql_base+=""" limit 10000"""
base=pd.read_sql_query(sql_base,conn)
dataDask=dd.from_pandas(base, npartitions=None, chunksize=1000000)
for i in range(1,volte):
if(i%100==0):
print(i)
sql_query="""Select * from """+schema+"""."""+tab
if (len(cond)>0):
sql_query+=""" where """+cond
sql_query+=""" limit 10000 offset """+str(i*10000)
a=pd.read_sql_query(sql_query,conn)
b=dd.from_pandas(a , npartitions=None, chunksize=1000000)
divisions = list(b.divisions)
b.divisions = (None,)*len(divisions)
dataDask=dataDask.append(b)
return dataDask
a=read_sql('schema','tabella','data>\'2016-06-20\'')
谢谢你的帮助
等待消息
一数据帧由许多pandas数据帧组成,或者像
read_csv
这样的函数的情况下,一个按需计算这些数据帧的计划。它通过执行延迟计算数据帧的计划来实现低内存执行。在当使用
from_pandas
时,数据帧已经在内存中,因此很少有数据帧可以避免内存爆炸。在在这种情况下,我看到了三种解决方案:
dask.dataframe.read_sql
函数来从数据库中延迟地提取数据块。在撰写本文时,这里正在进行中:https://github.com/dask/dask/pull/1181dask.delayed
在用户代码中获得相同的结果。请参见http://dask.pydata.org/en/latest/delayed.html和{a3}(这是我在您的案例中的主要建议)相关问题 更多 >
编程相关推荐