Dask内存不足，即使有块

Question

我正在处理大的CSV文件，我需要做一个笛卡尔积（合并操作）。我试着面对Pandas的问题（您可以在这里检查Panda的代码和数据格式示例以查找相同的问题），但由于内存错误而没有成功。现在，我尝试使用Dask，它应该可以管理巨大的数据集，即使它的大小大于可用的RAM。

首先，我阅读了CSV：

from dask import dataframe as dd

BLOCKSIZE = 64000000  # = 64 Mb chunks


df1_file_path = './mRNA_TCGA_breast.csv'
df2_file_path = './miRNA_TCGA_breast.csv'

# Gets Dataframes
df1 = dd.read_csv(
    df1_file_path,
    delimiter='\t',
    blocksize=BLOCKSIZE
)
first_column = df1.columns.values[0]
df1.set_index(first_column)
df2 = dd.read_csv(
    df2_file_path,
    delimiter='\t',
    blocksize=BLOCKSIZE
)
first_column = df2.columns.values[0]
df2.set_index(first_column)

# Filter common columns
common_columns = df1.columns.intersection(df2.columns)
df1 = df1[common_columns]
df2 = df2[common_columns]

然后，我进行了磁盘存储操作，以防止内存错误：

# Computes a Cartesian product
df1['_tmpkey'] = 1
df2['_tmpkey'] = 1

# Neither of these two options work
# df1.merge(df2, on='_tmpkey').drop('_tmpkey', axis=1).to_hdf('/tmp/merge.*.hdf', key='/merge_data')
# df1.merge(df2, on='_tmpkey').drop('_tmpkey', axis=1).to_parquet('/tmp/')

我做了一个回购，尝试与我正在使用的完全相同的CSV文件。我尝试使用较小的blocksize值，但我得到了同样的错误。我是不是漏掉了什么？任何帮助都是非常感激的。

Answer 1

我使用以下方法成功运行了您的代码，内存限制为32GB。

我已经去掉了参数blocksize并在df1和DF2上使用了repartition。

df1 = df1.repartition(npartitions=50)
df2 = df2.repartition(npartitions=1)

请注意，df2的大小确实比df1小(2.5MB对23.75MB)，这就是为什么我只为df2保留一个分区，并将df1分成50个分区的原因。

这样做应该可以使代码为您工作。对我来说，使用的内存保持在12GB以下。

为了检查，我计算了结果的透镜：

len(df) # 3001995

按照上面的内容创建一个包含50个分区的拼花文件。您可以再次使用repartition来获得所需的partition_size。

注意：

添加这个功能可以加快代码的速度：

from dask.distributed import Client
client = Client()

在我的例子中，由于我的运行环境，我不得不使用参数client(processes=false)。