如何解决使用dask.dataframe.set_index...,shuffle ='disk'
非常感谢您提供的实用且非常有用的软件包。我不确定这是否是解决此问题的适当地点。对此表示歉意。此帖子的副本位于github。
我得到的结果对我来说是出乎意料的。在具有多个分区(也许大于节点数)的快速数据帧上使用set_index(...,shuffle ='disk')时,我会丢失大量数据(大约丢失了一半的数据)。当我第二次重做索引时,问题变得更加严重。
当我仅使用一个节点但仍使用分布式调度程序时,相同的过程可以正常工作而不会丢失数据。
与并行存储或分布式设置相比,set_index和merge / join之类的某些操作要比在一台计算机上的内存操作难得多。
是使用dask.distributed对大于内存的数据进行排序的最佳方法吗?还是在一台计算机上使用默认调度程序更好?
In [1]: import numpy as np
...: import dask.dataframe as dd
...: from dask_jobqueue import SLURMCluster
...: from dask.distributed import Client
...: cluster = SLURMCluster(
...: cores=32,...: processes=32,...: memory="90GB"
...: )
...: cluster.scale(64)
...: client = Client(cluster)
In [2]: client.get_versions()['scheduler']
Out[2]:
{'host': {'python': '3.7.7.final.0','python-bits': 64,'OS': 'Linux','OS-release': '3.10.0-1127.8.2.el7.nsc1.x86_64','machine': 'x86_64','processor': 'x86_64','byteorder': 'little','LC_ALL': 'None','LANG': 'sv_SE'},'packages': {'python': '3.7.7.final.0','dask': '2.22.0','distributed': '2.22.0','msgpack': '1.0.0','cloudpickle': '1.5.0','tornado': '6.0.4','toolz': '0.10.0','numpy': '1.19.1','lz4': None,'blosc': None}}
In [2]: for n in [1e2,1e3,1e4,1e5,1.5e5,2e5,1e6]:
...: n = int(n)
...: pdf = dd.from_array(np.random.permutation(n).reshape(n,1))
...: n_tasks = len(pdf.set_index(0,shuffle='tasks'))
...: n_disk = len(pdf.set_index(0,shuffle='disk'))
...: print(n_tasks,n_disk,pdf.npartitions)
...:
100 100 1
1000 1000 1
10000 10000 1
100000 100000 2
150000 150000 3
200000 127770 4
1000000 499914 20
In [3]: for n in [1e2,pdf.npartitions)
...:
100 100 1
1000 1000 1
10000 10000 1
100000 100000 2
150000 83836 3
200000 120200 4
1000000 551936 20
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。