从 parquet 读取时，dask dataframe 列重命名很慢（呃）

Question

我发现每当从 parquet 文件读取数据帧时，dask.dataframe.rename 都会显着增加计算时间：

In [1]: import dask.dataframe as dd
   ...: df = dd.demo.daily_stock('GOOG', '2008', '2010', freq='1s', random_state=1234)
   ...: 

In [2]: %time df.close.mean().compute()
CPU times: user 7.73 s, sys: 1.15 s, total: 8.88 s
Wall time: 3.5 s
Out[2]: 452.30345234893554

In [3]: %time df = df.rename(columns={col: col.upper() for col in df.columns}); df.CLOSE.mean().compute()
CPU times: user 8.06 s, sys: 1.21 s, total: 9.27 s
Wall time: 3.81 s

In [4]: df.to_parquet('df', compression='GZIP')
   ...: df = dd.read_parquet('df')
   ...: 

In [5]: %time df.CLOSE.mean().compute()
CPU times: user 4.14 s, sys: 729 ms, total: 4.87 s
Wall time: 2.1 s
Out[5]: 452.30345234893554

In [6]: %time df = df.rename(columns={col: col.lower() for col in df.columns}); df.close.mean().compute()
CPU times: user 9.72 s, sys: 1.89 s, total: 11.6 s
Wall time: 4.81 s

请注意，原始数据帧上的差异很小，但基于镶木地板的数据帧上的差异超过两倍。

这个问题在大型数据集 (~20-30GB) 上被夸大了，我看到 mean 计算从几秒到几分钟。

这是我不知道的 parquet 文件固有的东西，还是某种错误？

Answer 1

这可能是因为重命名方法作用于数据帧的每个分区，我认为它的开销相当于 dd.rename

考虑一下：

In [45]: %time (dd.demo.daily_stock('GOOG', '2008', '2010', freq='1s',  
random_state=1234).repartition(npartitions=1).rename(columns = {col: 
col.upper() for col in df.columns}).CLOSE.mean().compute())
CPU times: user 11.7 s, sys: 4.65 s, total: 16.3 s
Wall time: 9.23 s
Out[45]: 450.46079905299979

In [46]: %time (dd.demo.daily_stock('GOOG', '2008', '2010', freq='1s',  
random_state=1234).repartition(npartitions=1).close.mean().compute())
CPU times: user 11.3 s, sys: 4.63 s, total: 15.9 s
Wall time: 8.8 s
Out[46]: 450.46079905299979

当分区设置为 1 时，重命名开销似乎不像您的示例中那样明显。

更新 1：添加 Parquet 示例

In [103]: data =dd.read_parquet('df').repartition(npartitions=1).rename(columns = {'close':'ClOSE', 'high ':'HIGH', 'low':'LOW', 'open':'OPEN'})

In [104]: %time data.ClOSE.mean().compute()
CPU times: user 9.68 s, sys: 2.84 s, total: 12.5 s
Wall time: 5.72 s
Out[104]: 450.46079905299979

In [105]: data = dd.read_parquet('df').repartition(npartitions=1)

In [106]: %time data.close.mean().compute()
CPU times: user 9.37 s, sys: 2.56 s, total: 11.9 s
Wall time: 5.1 s
Out[106]: 450.46079905299979

更新 2：显式添加列

根据上面 Matt 的回答，避免读取 Parquet 文件的所有列如下所示：

%time dd.read_parquet('df',columns =['close']).rename(columns = {'close':'CLOSE'}).CLOSE.mean().com
     ...: pute()
CPU times: user 4.65 s, sys: 801 ms, total: 5.45 s
Wall time: 2.71 s

类似于：

%time dd.read_parquet('df',columns =['close']).close.mean().compute()
CPU times: user 4.46 s, sys: 795 ms, total: 5.25 s
Wall time: 2.51 s
Out[110]: 450.46079905300002

旁白：重命名+任务调度在我机器上的单个数据分区上有~40ms的开销：

In [114]: %timeit -n 3 dd.read_parquet('df',columns =['close']).repartition(npartitions=1).rename(columns = {
     ...: 'close': 'CLOSE'}).CLOSE.mean().compute()
3 loops, best of 3: 2.36 s per loop

In [115]: %timeit -n 3 dd.read_parquet('df',columns =['close']).repartition(npartitions=1).close.mean().compu
     ...: te()
3 loops, best of 3: 2.32 s per loop

应用于大约 500 个分区，大约 20 秒。以防万一，这种东西以后有用。

Answer 2

Parquet 是列式存储。从 parquet 文件中读取单个列比读取整个数据集要快得多。当你做 df.close.mean().compute() 时，Dask 注意到你有一个 read_parquet 操作，紧接着是一个列访问操作，它可以智能地将它们融合到更智能的东西，如下所示：

df = dd.read_parquet(filename, columns=['close'])

但是，当您在 read_parquet 调用和列访问操作之间抛出 rename 操作时，Dask.dataframe 不够智能，无法意识到它可以交换列访问和重命名，因此您最终会从 parquet 文件中读取所有数据，重命名列，然后丢弃除一列之外的所有列。

缺乏对计算进行高级推理的能力正是数据库或更高级的系统（如 Spark Dataframes）开始胜过 Dask.dataframe 的地方。 Dask 的核心通常是较低级别的，因此可以进行更疯狂的计算，但除了最基本的查询优化外，它失去了执行任何操作的能力。

所以在这种情况下，并不是 rename 正在减慢速度，而是 rename 在一个非常简单的优化方案中投入了扳手。

从 parquet 读取时，dask dataframe 列重命名很慢（呃）

dask dataframe column renames are slow(er) when read from parquet

python

performance

dask