Dask DataFrame 是否适用于大型 Pandas DataFrame？

Question

我想使用 Dask 来处理大型数据帧。但是，当我尝试按如下方式使用它时出现内存错误。

df = pandas.DataFrame({'x': my_very_large_array})
ddf = dask.dataframe.from_pandas(df, npartitions=100)

我认为 Dask 应该处理大于内存的数据。这里有什么问题？

Answer 1

在您到达 Dask 之前，您的代码可能已经失败。如果你有一个非常大的 Pandas 数据框，那么你已经遇到了麻烦。在这种情况下，Dask 帮不了你。

df = pandas.DataFrame({'x': my_very_large_array})      # maybe you're failing here
ddf = dask.dataframe.from_pandas(df, npartitions=100)  # rather than here

相反，人们更常见的是直接将数据读入 Dask 数据帧，而不是通过 Pandas 进行路由。他们经常使用dask.dataframe.read_csv 或dask.dataframe.read_parquet 之类的函数将他们的大型数据集直接加载到Dask。这有助于他们避免必须先将所有数据加载到 Pandas 中，这需要他们的数据集适合内存。

有关创建 Dask 数据帧的更多信息，请访问此处：https://docs.dask.org/en/latest/dataframe-create.html

如果您确实在第二行遇到错误，那么我的猜测是您的内存使用量约为 50%，并且 Dask 对数据的拆分会导致复制。在这种情况下，解决方案是相同的，不要将数据加载到 Pandas 中，然后将其移动到 Dask。如果您的数据适合内存，请使用 Pandas。如果没有，那么您可能应该找到加载它的方法，而不是一次将其全部放入内存。