存储在 bcolz 中时数据大小过大

Question

我有一个包含约 7M 行和 3 列的数据集，2 个数字和 1 个由约 20M 不同的字符串 uuid 组成。数据作为csv文件大约需要3G，而castra可以将其存储在大约2G中。我想用这些数据测试 bcolz。

我试过了

odo(dask.dataframe.from_castra('data.castra'), 'data.bcolz')

在耗尽磁盘上的 inode 之前生成了约 70G 的数据和崩溃。

将此类数据集导入 bcolz 的推荐方法是什么？

Answer 1

来自 bcolz mailing list 上的 Killian Mie：

通过 pandas.read_csv() 分块读取 csv，将字符串列从 Python object dtype 转换为固定长度的 numpy dtype，例如 'S20'，然后作为 numpy 数组追加到 ctable .

此外，在创建 ctable 时设置 chunklen=1000000（或类似的），这将避免在 /data 文件夹下创建数百个文件（虽然可能不是压缩的最佳选择）

上面的 2 个步骤对我来说效果很好（2000 万行，40-60 列）。

试试这个：

df0 = ddf.from_castra("data.castra")
df = odo.odo(df0, pd.DataFrame)
names = df.columns.tolist()
types = ['float32', 'float32', 'S20']  # adjust 'S20' to your max string length needs
cols = [bcolz.carray(df[c].values, dtype=dt) for c, dt in zip(names, types)]

ct = bcolz.zeros(0, dtype=np.dtype(zip(names, types)), 
                    mode='w', chunklen=1000000, 
                    rootdir="data.bcolz")
ct.append(cols)

存储在 bcolz 中时数据大小过大

data size blows out when storing in bcolz

python

blaze

bcolz