dask DataFrame.assign 炸毁了 dask 图

Question

所以我对 dask DataFrame.append 有疑问。我从主数据中生成了很多衍生特征，并将它们附加到主数据框中。之后，任何一组列的 dask 图都被炸毁了。这是一个小例子：

%pylab inline
import numpy as np
import pandas as pd
import dask.dataframe as dd
from dask.dot import dot_graph

df=pd.DataFrame({'x%s'%i:np.random.rand(20) for i in range(5)})
ddf = dd.from_pandas(df, npartitions=2)

dot_graph(ddf['x0'].dask)

here is the dask graph as expected

g=ddf.assign(y=ddf['x0']+ddf['x1'])
dot_graph(g['x0'].dask)

here the graph for same column is exploded with irrelevant computation

想象一下，我有很多生成的列。因此，任何特定列的计算图都包括所有其他列的不相关计算。 IE。就我而言，我有 len(ddf['someColumn'].dask)>100000。所以很快就会变得无法使用。

所以我的问题是这个问题可以解决吗？有没有现有的方法可以做到这一点？如果不是 - 我应该寻找什么方向来实现这一点？

谢谢！

Answer 1

与其不断为 dask 数据框分配新列，不如构建几个 dask 系列，然后在最后将它们全部连接在一起

所以不要这样做：

df['x'] = df.w + 1
df['y'] = df.x * 10
df['z'] = df.y ** 2

这样做

x = df.w + 1
y = x + 10
z = y * 2
df = df.assign(x=x, y=y, z=z)

或者这个：

dd.concat([df, x, y, z], axis=1)

这可能仍会导致图表中的任务数量相同，但可能会导致内存副本减少。

或者，如果您的所有转换都是逐行的，那么您可以构建一个 pandas 函数并将其映射到所有分区

def f(part):
    part = part.copy()
    part['x'] = part.w + 1
    part['y'] = part.x * 10
    part['z'] = part.y ** 2
    return part

df = df.map_partitions(f)

此外，虽然百万节点任务图不太理想，但它也应该没问题。我已经看到较大的图表运行起来很舒服。