如何将巨大的 pandas 数据帧保存到 hdfs？

Question

我正在使用 pandas 和 spark 数据帧。数据帧总是非常大（> 20 GB），标准的 spark 函数不足以满足这些大小。目前我正在将我的 pandas 数据帧转换为这样的 spark 数据帧：

dataframe = spark.createDataFrame(pandas_dataframe)

我做这个转换是因为使用 spark 将数据帧写入 hdfs 非常容易：

dataframe.write.parquet(output_uri, mode="overwrite", compression="snappy")

但是对于大于 2 GB 的数据帧，转换失败。如果我将 spark 数据帧转换为 pandas 我可以使用 pyarrow:

// temporary write spark dataframe to hdfs
dataframe.write.parquet(path, mode="overwrite", compression="snappy")

// open hdfs connection using pyarrow (pa)
hdfs = pa.hdfs.connect("default", 0)
// read parquet (pyarrow.parquet (pq))
parquet = pq.ParquetDataset(path_hdfs, filesystem=hdfs)
table = parquet.read(nthreads=4)
// transform table to pandas
pandas = table.to_pandas(nthreads=4)

// delete temp files
hdfs.delete(path, recursive=True)

这是从 spark 到 pandas 的快速转换，它也适用于大于 2 GB 的数据帧。我还找不到相反的方法。意思是有一个 pandas 数据框，我在 pyarrow 的帮助下将其转换为 spark。问题是我真的找不到如何将 pandas 数据帧写入 hdfs。

我的pandas版本：0.19.0

Answer 1

来自https://issues.apache.org/jira/browse/SPARK-6235

Support for parallelizing R data.frame larger than 2GB

已解决。

来自https://pandas.pydata.org/pandas-docs/stable/r_interface.html

Converting DataFrames into R objects

您可以将 pandas 数据帧转换为 R data.frame

所以也许转换 pandas -> R -> Spark -> hdfs？

Answer 2

一个 hack 可能是从大数据帧创建 N pandas 个数据帧（每个小于 2 GB）（水平分区）并创建 N 个不同的 spark 数据帧，然后合并（联合）它们以创建最终的一个写入HDFS。我假设您的主机功能强大，但您也有可用的集群运行 Spark。

Answer 3

Meaning having a pandas dataframe which I transform to spark with the help of pyarrow.

pyarrow.Table.fromPandas 是您要查找的函数：

Table.from_pandas(type cls, df, bool timestamps_to_ms=False, Schema schema=None, bool preserve_index=True)

Convert pandas.DataFrame to an Arrow Table

import pyarrow as pa

pdf = ...  # type: pandas.core.frame.DataFrame
adf = pa.Table.from_pandas(pdf)  # type: pyarrow.lib.Table

结果可以直接写入Parquet/HDFS，无需通过Spark传递数据：

import pyarrow.parquet as pq

fs  = pa.hdfs.connect()

with fs.open(path, "wb") as fw
    pq.write_table(adf, fw)

另见

Spark 笔记:

此外，由于 Spark 2.3（当前主版本）直接在 createDataFrame 中支持 Arrow（SPARK-20791 - Use Apache Arrow to Improve Spark createDataFrame from Pandas.DataFrame). It uses SparkContext.defaultParallelism to compute number of chunks 因此您可以轻松控制单个批次的大小。

最后 defaultParallelism 可用于控制使用标准 _convert_from_pandas 生成的分区数量，有效地将切片的大小减小到更易于管理的程度。

不幸的是，这些不太可能解决您的 current memory problems。两者都依赖于 parallelize，因此将所有数据存储在 driver 节点的内存中。切换到 Arrow 或调整配置只能加速进程或解决块大小限制。

实际上，只要您使用本地 Pandas DataFrame 作为输入，我看不出有任何理由在这里切换到 Spark。这种情况下最严重的瓶颈是 driver 的网络 I/O，分发数据不会解决这个问题。

Answer 4

另一种方法是将您的 pandas 数据帧转换为 spark 数据帧（使用 pyspark）并使用 save 命令将其保存到 hdfs。例子

    df = pd.read_csv("data/as/foo.csv")
    df[['Col1', 'Col2']] = df[['Col2', 'Col2']].astype(str)
    sc = SparkContext(conf=conf)
    sqlCtx = SQLContext(sc)
    sdf = sqlCtx.createDataFrame(df)

此处 astype 将您的列的类型从 object 更改为 string。这可以避免引发异常，因为 spark 无法弄清楚 pandas 类型 object。但要确保这些列确实是字符串类型。

现在将您的 df 保存在 hdfs 中：

    sdf.write.csv('mycsv.csv')

如何将巨大的 pandas 数据帧保存到 hdfs？

How to save a huge pandas dataframe to hdfs?

python

pandas

apache-spark

apache-arrow

pyarrow