python - 如何使用 dask 拆分大型 .csv 文件?
问题描述
我正在尝试使用dask
以将一个巨大的制表符分隔文件拆分为 100,000 个核心的 AWS Batch 阵列上的较小块。
在 AWS Batch 中,每个核心都有一个唯一的环境变量AWS_BATCH_JOB_ARRAY_INDEX
,范围从 0 到 99,999(复制到idx
下面代码段中的变量中)。因此,我正在尝试使用以下代码:
import os
import dask.dataframe as dd
idx = int(os.environ["AWS_BATCH_JOB_ARRAY_INDEX"])
df = dd.read_csv(f"s3://main-bucket/workdir/huge_file.tsv", sep='\t')
df = df.repartition(npartitions=100_000)
df = df.partitions[idx]
df = df.persist() # this call isn't needed before calling to df.to_csv (see comment by Sultan)
df = df.compute() # this call isn't needed before calling to df.to_csv (see comment by Sultan)
df.to_csv(f"/tmp/split_{idx}.tsv", sep="\t", index=False)
print(idx, df.shape, df.head(5))
我需要打电话presist
和/或compute
打电话之前df.to_csv
吗?
解决方案
当我必须将一个大文件拆分为多个较小的文件时,我只需运行以下代码。
读取和重新分区
import dask.dataframe as dd
df = dd.read_csv("file.csv")
df = df.repartition(npartitions=100)
保存到 csv
o = df.to_csv("out_csv/part_*.csv", index=False)
保存到镶木地板
o = df.to_parquet("out_parquet/")
write_metadata_file=False
如果您想避免元数据,您可以在此处使用。
几点注意事项:
- 我不认为你真的需要持久化和计算,因为你可以直接保存到磁盘。当您遇到诸如内存错误之类的问题时,将其保存到磁盘而不是计算更安全。
- 我发现在编写时使用 parquet 格式至少比 csv 快 3 倍。
推荐阅读
- python-3.x - 迁移到 Tensorflow 2.0,训练现在在第三步后挂起
- javascript - 在特定情况下关闭模态bootstrap4
- javascript - 当没有更多数据要获取时反应本机 FlatList API 错误
- java - 我可以使用 Java 时间库来转换同时包含日期和时间的儒略日期吗?
- python - 带有列表值的 Pandas .loc 抛出“ValueError:长度必须匹配才能比较”错误
- javascript - 将实时更新值添加到回调中
- c# - 如何将 SpeechSynthesis 音频保存到 UWP 应用程序中的 Mp3 文件
- bash - 如何用 bash 脚本中的数据替换文本文件中的模板变量
- navigation-drawer - 从 Flutter App 中的 Drawer Header 中删除 Padding 或 Margin
- google-cloud-dataflow - 如何根据已处理元素的数量动态触发 Window?