使用Python顺序多线程读取和写入核心文件

Question

总体目标：我想在不适合内存的数据集上训练一个pytorch模型。

现在忘记我谈到了 pytorch，它归结为：从核心或内存映射中读取和写入大文件。

我找到了很多库，但找不到一个可以让我进行多线程顺序读写的库。我想要做的是让多个线程附加到 file/dataframe（顺序无关紧要，无论如何都应该为下游应用程序洗牌）。然后在阅读时我只需要顺序阅读（没有切片，没有索引），但同样应该能够提供多个线程。

我found/came想出了以下解决方案：

csv：不是一个选项，因为存储浮点数会导致精度损失（处理编码和转义也很糟糕）
numpy.memmep: 你需要提前知道数组的大小，无论是读写，追加似乎都不简单。
dask：我找不到附加到数据框的方法，它总是在附加时创建一个新数据框，而且新数据框似乎没有文件支持。这看起来很适合阅读，但没有记录创建新的核心数据框。
xarray：同样没有关于如何写入文件支持的数据框的文档，而是文档指出 It is important to note that when you modify values of a Dataset, even one linked to files on disk, only the in-memory copy you are manipulating in xarray is modified: the original file on disk is never touched. 所以这似乎不可能？
joblib：同一个故事，阅读有，迭代写作没有
blaze：也没有行追加
vaex：没有追加行。为什么‽

很高兴他们都支持非核心阅读，但我需要先以特定的文件格式获取它（写作）——我在这里错过了什么？

看来多线程写是个难题。不过单线程增量写就算了，多线程读就已经不错了，但是好像没有库支持？

Answer 1

多线程顺序写入很容易出错。大多数系统通常更喜欢像 Parquet 这样的格式，这种格式允许它们将每个数据块写入不同的文件。

如果您想进行实际的并行顺序写入，则必须进行某种锁定，并且就更大的一体化系统而言，您可能只能靠自己了。

Answer 2

我终于找到了 pyarrow 的有效解决方案。

增量写入：

import pyarrow as pa

result = []
writer = False
for _, row in df.iterrows():
  result.append(process_row(row))
  if len(result) >= 10000:
    batch = pa.RecordBatch.from_pandas(pd.DataFrame(result))
    if not writer:
      writer = pa.RecordBatchFileWriter(f'filename.arrow', batch.schema)
      writer.write(batch)
      result = []
batch = pa.RecordBatch.from_pandas(pd.DataFrame(result))
writer.write(batch)
writer.close()

全部读入一个数据帧：

pa.RecordBatchFileReader("filename.arrow").read_pandas()

增量阅读：

rb = pa.RecordBatchFileReader("filename.arrow")
for i in range(rb.num_record_batches):
  b = rb.get_batch(i)

使用Python顺序多线程读取和写入核心文件

Reading and writing out of core files sequentially multi-threaded with Python

python

numpy

joblib

dask

python-xarray