在“一次编写,多次读取”工作流程中,我经常使用FastExport实用程序解析从Teradata转储的大型文本文件(20GB-60GB),并使用Pandas将它们加载到Pytables中 . 我正在使用多处理来分块文本文件并将它们分发到不同的进程,以便根据每行大约5MM的行数来编写.H5文件,以支持并行写入 . 对于并行编写多个hdf5文件大约12分钟这相当快,相比之下,为25MM行x64列编写单个hdf5文件需要22分钟 .
%timeit -n 1 write_single_hdf_multiprocess()
1 loops, best of 3: 22min 42s per loop
%timeit -n 1 write_multiple_hdf_multiprocess()
1 loops, best of 3: 12min 12s per loop
对于按行分割多个h5文件的情况,我最终会有多个文件具有相同的结构,我希望在单个h5file根/ data / table中组合
要测试组合功能,以下是代码段:
import tables as tb
import pandas as pd
tb.setBloscMaxThreads(15)
store =pd.HDFStore('temp15.h5',complib='blosc')
filenames=['part_1.h5','part_2.h5','part_3.h5','part_4.h5','part_5.h5']
for f in filenames:
s=pd.HDFStore(f)
df=s.select('data')
store.append(key='data',value=df,format='t',chunksize=200000)
store.close()
这是%timeit结果:
1 loops, best of 3: 8min 22s per loop
这基本上占用了我通过并行编写多个h5文件获得的大部分时间 . 我有两个问题:
有没有办法更有效地组合(追加)具有相同表格格式的h5文件?(SQL联盟就像功能一样) . 我试过this SO但是无法让它附加表格 .
如果没有,在大多数查询从所有列的位置中选择时,在行上拆分是否合理?我正在考虑编写一个map / combine函数,它将查看表的所有部分,以便从查询中进行选择 . Pandas select_as_multiple()函数执行此操作以基于列进行拆分 .
Update Based on Jeff's Suggestions:
在合并前文件写入过程中删除索引和压缩的很棒的调用 . 删除索引,压缩并将每个预合并文件的最大行数设置为1MM行:
%timeit -n 1 write_multiple_hdf_multiprocess()
1 loops, best of 3: 9min 37s per loop
这比以前快2分多一点,速度和解析数据的速度差不多 . 将数据列设置为所需的字段后(在我的情况下为3):
for f in filenames:
s=pd.HDFStore(f)
df=s.select('data')
dc=df.columns[1:4]
store.append(key='data',value=df,format='t',data_columns=dc)
这比以前慢了大约2分钟: 1 loops, best of 3: 10min 23s per loop . 从上面的代码中删除压缩后,我得到 1 loops, best of 3: 8min 48s per loop (几乎与第一次尝试压缩而没有数据列索引相同) . 为了让您了解压缩的效果,未压缩存储大约为13.5GB,而使用 blosc 的压缩版本大约为3.7GB .
总之,我的进程需要 18 minutes 15 seconds 来创建一个合并的未压缩的hdf5文件 . 与单个文件写入(压缩)相比,这个速度大约为 4 minutes 7 seconds .
这让我想到了我的问题的第二部分,如果我不合并文件并使用合并前文件以 Map /组合方式处理,那么这可能是一种合理的方法吗?我应该如何考虑实施这个?
对于完整的披露,我在Pandas版本 0.12.0 ,Pytables版本 3.0.0 和我的数据处理工作流程如下(伪代码):
def generate_chunks_from_text_file(reader,chunksize=50000):
""" generator that yields processed text chunks """
for i, line in enumerate(reader.readlines()):
----process data and yield chunk -----
def data_reader(reader,queue):
""" read data from file and put it into a queue for multiprocessing """
for chunk in self.generate_chunks_from_text_file(reader):
queue.put(chunk) # put data in the queue for the writer
def data_processor(queue,filename,dtype,min_size):
"""" subprocess that reads the next value in the queue and writes hdf store. """
store=pd.HDFStore(filename)
while True:
results = queue.get()
array=np.array(results,dtype=dt) # convert to numpy array
df = pd.DataFrame(array) #covert to pandas array
store.append(key='data', value=df, format='t', min_itemsize=dict(min_size), data_columns=[],index=False)
store.close()
----when queue exhausts - break-----