python 学习笔记：DASK基础操作

学习笔记：DASK基础操作

---

1.导包

import dask.dataframe as dd
# main

import numpy as np
# 辅助

2.读取csv文件

ddf = dd.read_csv(dec_CSV_DIR, blocksize=25e6, names=['num', 'crc32num'], dtype=
{'num': numpy.unsignedinteger,
 'crc32num': numpy.int64})

blocksize：每次读取的大小

names：列表名字

dtype：读入类型（尽量少用object，占用内存大，查找效率低）
经测试，在对500个数据在10w个数据中查找的情境下，一串数字以object类型和int64类型读取时消耗的内存相同，但是进行匹配时int64更快（差距10s左右）

3.进行运算

使用**.compute()**方法，由于DASK是惰性的，即你的代码不会立即执行，直到使用.compute()，此时会自动评估你的计算，并选择最佳计算方式，以此实现大量数据的快速操作

4.查找数据

举例：​​​​​​​​
假设我们要在上述数据中查找到第二列的值为450215437所对应的第一列的值
由于我在读取的时候就已经设置列名了，所以下面的代码直接使用列名

第一次尝试

(ddf['crc32num'] == num).compute()

这个会对数据中crc32num的每一个数据与num进行匹配(这里num就是450215437）
返回结果是：

通过type()发现返回结果是<class 'pandas.core.series.Series'>

第二次尝试

如果我只想要获得匹配的数据，不要其他数据要怎么办？
这样：

ddf[ddf['crc32num'] == num].compute()

返回数据为：

通过type()发现返回的数据为<class 'pandas.core.frame.DataFrame'>
得到DataFrame结构的数据就说明已经差不多了，但是如果我想更进一步，得到图中的num值怎么办？
注：len()可对DataFrame使用，返回的是行数（上图返回1）

第三次尝试

_list = ddf[ddf['crc32num'] == num].compute()
_list['num'].values

会返回数组形式的匹配结果（下图中的temp就是上面的_list）

也可以通过直接指定列表名的方式来获得数据