使用 Dask 高效地按部分读取大的 csv 文件

Question

现在我正在使用 Dask 读取大型 csv 文件并对其进行一些后处理（例如，进行一些数学运算，然后通过某些 ML 模型进行预测并将结果写入数据库）。避免将所有数据加载到内存中，我想按当前大小的块读取：读取第一个块、预测、写入、读取第二个块等。

我使用 skiprows 和 nrows 尝试了下一个解决方案：

import dask.dataframe as dd
read_path = "medium.csv"

# Read by chunk
skiprows = 100000
nrows = 50000
res_df = dd.read_csv(read_path, skiprows=skiprows)
res_df = res_df.head(nrows)

print(res_df.shape)
print(res_df.head())

但是我得到错误：

ValueError: Sample is not large enough to include at least one row of data. Please increase the number of bytes in sample in the call to read_csv/read_table

此外，据我所知，它每次都会为所有数据计算二进制掩码（[False，False，...，True，...]）以查找要加载的行。我们如何才能更有效率？也许使用 dask 的一些分布式或延迟函数？

Answer 1

Dask dataframe 会帮你分片，你不需要使用nrows/skip_rows

df = dd.read_csv(filename)

如果你想挑选出一个特定的分区，那么你可以使用分区访问器

part = df.partitions[i]

但是，您可能还想并行应用您的函数。

df.map_partitions(process).to_csv("data.*.csv")

使用 Dask 高效地按部分读取大的 csv 文件

Efficiently read big csv file by parts using Dask

python

csv

dask

dask-dataframe