时间戳

首页 > 解决方案 > 如何将 dask.dataframe 预缓存到所有工作人员和分区以减少通信需求

python - 如何将 dask.dataframe 预缓存到所有工作人员和分区以减少通信需求

问题描述

有时它很适合dask.dataframe.map_partitions用于合并等操作。在某些情况下，在 aleft_df和 a right_dfusing之间进行合并时map_partitions，我想在执行合并之前进行预缓存right_df，以减少网络开销/本地改组。有什么明确的方法可以做到这一点吗？感觉应该可以使用 , 或其他一些智能广播中的一个或client.scatter(the_df)组合client.run(func_to_cache_the_df)。

left_df在对一个大得多的大的right_df（本质上是一个查找表）进行左连接的情况下，这一点尤为突出。感觉这right_df应该能够读入内存并持久化/分散到合并前的所有工作人员/分区，以减少对跨分区通信的需求，直到最后。我怎样才能分散right_df成功地做到这一点？

以下是使用 cuDF 和 Dask 进行这种不平衡合并的一个较小示例（但从概念上讲，这与 pandas 和 Dask 相同）：

import pandas as pd
import cudf
import dask_cudf
import numpy as np
from dask.distributed import Client
from dask_cuda import LocalCUDACluster

# create a local CUDA cluster
cluster = LocalCUDACluster()
client = Client(cluster)

np.random.seed(12)

nrows_left = 1000000
nrows_right = 1000

left = cudf.DataFrame({'a': np.random.randint(0,nrows_right,nrows_left), 'left_value':np.arange(nrows_left)})
right = cudf.DataFrame({'a': np.arange(nrows_right), 'lookup_val': np.random.randint(0,1000,nrows_right)})

print(left.shape, right.shape) # (1000000, 2) (1000, 2)

ddf_left = dask_cudf.from_cudf(left, npartitions=500)
ddf_right = dask_cudf.from_cudf(right, npartitions=2)

def dask_merge(L, R):
    return L.merge(R, how='left', on='a')

result = ddf_left.map_partitions(dask_merge, R=ddf_right).compute()
result.head()
<cudf.DataFrame ncols=3 nrows=5 >
     a  left_value  lookup_val
0  219        1952         822
1  873        1953         844
2  908        1954         142
3  290        1955         810
4  863        1956         910

标签： pythonpandasdaskrapidscudf

解决方案

如果您执行以下任何操作，那么事情应该没问题：

  • 与单分区 dask 数据框的合并
  • 与非 dask 数据框（如 Pandas 或 cuDF）的合并
  • 具有非 dask 数据框的 map_partitions（如 Pandas 或 cuDF）

会发生什么：

  1. 单个分区被推送到单个工作人员
  2. 在执行期间，一些工作人员将复制该数据，然后其他工作人员将从这些工作人员那里复制，依此类推，将数据传递到树中
  3. 工人将按预期进行合并

这与预期的一样快。但是，如果您正在执行基准测试之类的操作，并且想要将步骤 1,2 和 3 分开，那么您可以使用client.replicate：

left = ... # multi-partition dataframe
right = ... # single-partition dataframe
right = right.persist()  # make sure it exists in one worker
client.replicate(right)  # replicate it across many workers

... proceed as normal

这不会更快，但步骤 1,2 将被拉到复制步骤中。

在您的示例中，它看起来right有两个分区。您可能希望将其更改为一个。Dask 采用不同的代码路径，map_partitions在这种情况下本质上就是 .

推荐阅读