Как составить карту серии dask с большой надписью - PullRequest
Новая
       9

Как составить карту серии dask с большой надписью

0 голосов
/ 01 июня 2018

Я пытаюсь выяснить, как лучше составить карту серии с большим отображением.Простое series.map(large_mapping) выдает UserWarning: Large object of size <X> MB detected in task graph и предлагает использовать client.scatter и client.submit, но последнее не решает проблему и на самом деле намного медленнее.Попытка broadcast=True в client.scatter тоже не поможет. 

import argparse
import distributed
import dask.dataframe as dd

import numpy as np
import pandas as pd


def compute(s_size, m_size, npartitions, scatter, broadcast, missing_percent=0.1, seed=1):
    np.random.seed(seed)
    mapping = dict(zip(np.arange(m_size), np.random.random(size=m_size)))
    ps = pd.Series(np.random.randint((1 + missing_percent) * m_size, size=s_size))
    ds = dd.from_pandas(ps, npartitions=npartitions)
    if scatter:
        mapping_futures = client.scatter(mapping, broadcast=broadcast)
        future = client.submit(ds.map, mapping_futures)
        return future.result()
    else:
        return ds.map(mapping)


if __name__ == '__main__':
    parser = argparse.ArgumentParser()
    parser.add_argument('-s', default=200000, type=int, help='series size')
    parser.add_argument('-m', default=50000, type=int, help='mapping size')
    parser.add_argument('-p', default=10, type=int, help='partitions number')
    parser.add_argument('--scatter', action='store_true', help='Scatter mapping')
    parser.add_argument('--broadcast', action='store_true', help='Broadcast mapping')
    args = parser.parse_args()

    client = distributed.Client()
    ds = compute(args.s, args.m, args.p, args.scatter, args.broadcast)
    print(ds.compute().describe())

1 Ответ

0 голосов
/ 05 июня 2018

Ваша проблема здесь 

In [4]: mapping = dict(zip(np.arange(50000), np.random.random(size=50000)))

In [5]: import pickle

In [6]: %time len(pickle.dumps(mapping))
CPU times: user 2.24 s, sys: 18.6 ms, total: 2.26 s
Wall time: 2.25 s
Out[6]: 6268809

Таким образом, mapping является большим и неразделенным - в этом случае именно операция разброса дает вам проблему.

Рассмотрим альтернативу 

def make_mapping():
    return dict(zip(np.arange(50000), np.random.random(size=50000)))

mapping = client.submit(make_mapping)  # ships the function, not the data
                                       # and requires no serialisation
future = client.submit(ds.map, mapping)

Это не будет отображать предупреждение.Тем не менее, мне кажется странным использовать здесь словарь для сопоставления, ряд прямых массивов, кажется, лучше кодирует природу данных.

...