私は非常に大きなPandas DataFrameを処理しています-私のデータセットは次のdf設定に似ています：
import pandas as pd
import numpy as np
#--------------------------------------------- SIZING PARAMETERS :
R1 = 20 # .repeat( repeats = R1 )
R2 = 10 # .repeat( repeats = R2 )
R3 = 541680 # .repeat( repeats = [ R3, R4 ] )
R4 = 576720 # .repeat( repeats = [ R3, R4 ] )
T = 55920 # .tile( , T)
A1 = np.arange( 0, 2708400, 100 ) # ~ 20x re-used
A2 = np.arange( 0, 2883600, 100 ) # ~ 20x re-used
#--------------------------------------------- DataFrame GENERATION :
df = pd.DataFrame.from_dict(
{ 'measurement_id': np.repeat( [0, 1], repeats = [ R3, R4 ] ),
'time':np.concatenate( [ np.repeat( A1, repeats = R1 ),
np.repeat( A2, repeats = R1 ) ] ),
'group': np.tile( np.repeat( [0, 1], repeats = R2 ), T ),
'object': np.tile( np.arange( 0, R1 ), T )
}
)
#--------------------------------------------- DataFrame RE-PROCESSING :
df = pd.concat( [ df,
df \
.groupby( ['measurement_id', 'time', 'group'] ) \
.apply( lambda x: np.random.uniform( 0, 100, 10 ) ) \
.explode() \
.astype( 'float' ) \
.to_frame( 'var' ) \
.reset_index( drop = True )
], axis = 1
)注：最小限の例を示すために、（たとえばを使用してdf.loc[df['time'] <= 400, :]）簡単にサブセット化できますが、とにかくデータをシミュレートするため、元のサイズの方が全体像がよくなると思いました。
によって定義されたグループごとに['measurement_id', 'time', 'group']、次の関数を呼び出す必要があります。
from sklearn.cluster import SpectralClustering
from pandarallel import pandarallel
def cluster( x, index ):
if len( x ) >= 2:
data = np.asarray( x )[:, np.newaxis]
clustering = SpectralClustering( n_clusters = 5,
random_state = 42
).fit( data )
return pd.Series( clustering.labels_ + 1, index = index )
else:
return pd.Series( np.nan, index = index )パフォーマンスを向上させるために、2つの方法を試しました。
パンダラレルパッケージ
最初のアプローチは、pandarallelパッケージを使用して計算を並列化することでした：
pandarallel.initialize( progress_bar = True )
df \
.groupby( ['measurement_id', 'time', 'group'] ) \
.parallel_apply( lambda x: cluster( x['var'], x['object'] ) )ただし、RAMを大量に消費し、すべてのコアが計算で使用されるわけではないため、これは最適ではないようです（pandarallel.initialize()メソッドでコアの数を明示的に指定した場合でも）。また、その理由（RAMの不足など）を見つける機会がなかったにもかかわらず、計算がさまざまなエラーで終了することがあります。
PySparkパンダUDF
私はSparkパンダUDFも試してみましたが、Sparkはまったく初めてです。これが私の試みです：
import findspark; findspark.init()
from pyspark.sql import SparkSession
from pyspark.conf import SparkConf
from pyspark.sql.functions import pandas_udf, PandasUDFType
from pyspark.sql.types import *
spark = SparkSession.builder.master( "local" ).appName( "test" ).config( conf = SparkConf() ).getOrCreate()
df = spark.createDataFrame( df )
@pandas_udf( StructType( [StructField( 'id', IntegerType(), True )] ), functionType = PandasUDFType.GROUPED_MAP )
def cluster( df ):
if len( df['var'] ) >= 2:
data = np.asarray( df['var'] )[:, np.newaxis]
clustering = SpectralClustering( n_clusters = 5,
random_state = 42
).fit( data )
return pd.DataFrame( clustering.labels_ + 1,
index = df['object']
)
else:
return pd.DataFrame( np.nan,
index = df['object']
)
res = df \
.groupBy( ['id_half', 'frame', 'team_id'] ) \
.apply( cluster ) \
.toPandas()残念ながら、パフォーマンスも満足のいくものではありませんでした。このトピックで読んだところ、これは、Pythonで記述されたUDF関数を使用する負担と、すべてのPythonオブジェクトをSparkオブジェクトに変換して戻すという関連する必要性にすぎない可能性があります。
だからここに私の質問があります：
- 可能性のあるボトルネックを排除し、パフォーマンスを向上させるために、私のアプローチのいずれかを調整できますか？（例：PySparkのセットアップ、最適でない操作の調整など）
- それらはより良い代替品ですか？パフォーマンスに関して、提供されたソリューションとどのように比較しますか？
2
あなたは夕暮れを研究しましたか？
—
Danila Ganchar
まだではありませんが、あなたの提案に感謝します-私はそれをやってみます
—
Kuba_
残念ながら私は動作しませんでした
—
ダニラGanchar
dask（（（私のコメントので、それは研究のためだけのアドバイスがある。
パフォーマンスとは、計算を終了できる時間のことです。
—
Kuba_
