0
| 本文作者： AI研習(xí)社-譯站 | 2020-12-17 16:51 |
譯者：AI研習(xí)社（季一帆）
雙語原文鏈接：Tutorial on reading large datasets
大規(guī)模數(shù)據(jù)集
對數(shù)據(jù)科學(xué)家和Kaggler來說，數(shù)據(jù)永遠不嫌多。
我敢肯定，你在解決某些問題時，一定報怨過沒有足夠的數(shù)據(jù)，但偶爾也會抱怨數(shù)據(jù)量太多難以處理。本文探討的問題就是對超大規(guī)模數(shù)據(jù)集的處理。
在數(shù)據(jù)過多的情況下，最常見的解決方案是根據(jù)RAM采樣適量數(shù)據(jù)，但這卻浪費了未使用的數(shù)據(jù)，甚至可能導(dǎo)致信息缺失問題。針對這些問題，研究人員提出多種不同的非子采樣方法。需要注意的時，某一方法是無法解決所有問題的，因此在不同情況下要根據(jù)具體需求選擇恰當?shù)慕鉀Q方案。
本文將對一些相關(guān)技術(shù)進行描述和總結(jié)。由于Riiid! Answer Correctness Prediction數(shù)據(jù)集由10列，超1億行的數(shù)據(jù)組成，在Kaggle Notebook中使用pd.read_csv方法讀取會導(dǎo)致內(nèi)存不足，因此本文將該數(shù)據(jù)集做為典型示例。
不同安裝包讀取數(shù)據(jù)的方式有所不同，Notebook中可用方法包括（默認為Pandas，按字母表排序）：
除了從csv文件讀取數(shù)據(jù)外，還可以將數(shù)據(jù)集轉(zhuǎn)換為占有更少磁盤空間、更少內(nèi)存、讀取速度快的其他格式。Notebook可處理的文件類型包括（默認csv，按字母表排序）：
請注意，在實際操作中不單單是讀取數(shù)據(jù)這么簡單，還要同時考慮數(shù)據(jù)的下游任務(wù)和應(yīng)用流程，綜合衡量以確定讀取方法。本文對此不做過多介紹，讀者可自行查閱相關(guān)資料。
同時，你還會發(fā)現(xiàn)，對于不同數(shù)據(jù)集或不同環(huán)境，最有效的方法往往是不同的，也就是所，沒有哪一種方法就是萬能的。
后續(xù)會陸續(xù)添加新的數(shù)據(jù)讀取方法。
我們首先使用Notebook默認的pandas方法，如前文所述，這樣的讀取因內(nèi)存不足失敗。
| import pandas as pd import dask.dataframe as dd # confirming the default pandas doesn't work (running thebelow code should result in a memory error) # data = pd.read_csv("../input/riiid-test-answer-prediction/train.csv") |
Pandas是最常用的數(shù)據(jù)集讀取方法，也是Kaggle的默認方法。Pandas功能豐富、使用靈活，可以很好的讀取和處理數(shù)據(jù)。
使用pandas讀取大型數(shù)據(jù)集的挑戰(zhàn)之一是其保守性，同時推斷數(shù)據(jù)集列的數(shù)據(jù)類型會導(dǎo)致pandas dataframe占用大量非必要內(nèi)存。因此，在數(shù)據(jù)讀取時，可以基于先驗知識或樣品檢查預(yù)定義列數(shù)據(jù)的最佳數(shù)據(jù)類型，避免內(nèi)存損耗。
RiiiD競賽官方提供的數(shù)據(jù)集讀取方法就是如此。
幫助文檔: https://pandas.pydata.org/docs/
| %%time dtypes = { "row_id": "int64", "timestamp": "int64", "user_id": "int32", "content_id": "int16", "content_type_id": "boolean", "task_container_id": "int16", "user_answer": "int8", "answered_correctly": "int8", "prior_question_elapsed_time": "float32", "prior_question_had_explanation": "boolean"} data = pd.read_csv("../input/riiid-test-answer-prediction/train.csv", dtype=dtypes) print("Train size:", data.shape) |
| Train size: (101230332, 10) CPU times: user 8min 11s, sys: 10.8 s, total: 8min 22s Wall time: 8min 22s |
| data.head() |
Dask提供并行處理框架對pandas工作流進行擴展，其與Spark具有諸多相似之處。
幫助文檔：https://docs.dask.org/en/latest/
| %%time dtypes = { "row_id": "int64", "timestamp": "int64", "user_id": "int32", "content_id": "int16", "content_type_id": "boolean", "task_container_id": "int16", "user_answer": "int8", "answered_correctly": "int8", "prior_question_elapsed_time": "float32", "prior_question_had_explanation": "boolean"} data = dd.read_csv("../input/riiid-test-answer-prediction/train.csv", dtype=dtypes).compute() print("Train size:", data.shape) |
| Train size: (101230332, 10) CPU times: user 9min 24s, sys: 28.8 s, total: 9min 52s Wall time: 7min 41s data.head() |
受R語言data.table的啟發(fā)，python中提出Datatable，該包可快速讀取大型數(shù)據(jù)集，一般要比pandas快得多。值得注意的是，該包專門用于處理表格數(shù)據(jù)集，能夠快速讀取大規(guī)模的表格數(shù)據(jù)集。
幫助文檔：https://datatable.readthedocs.io/en/latest/index.html
| # datatable installation with internet # !pip install datatable==0.11.0 > /dev/null # datatable installation without internet! pip install ../input/python-datatable/datatable-0.11.0-cp37-cp37m-manylinux2010_x86_64.whl > /dev/null import datatable as dt |
| %%time data = dt.fread("../input/riiid-test-answer-prediction/train.csv") print("Train size:", data.shape)Train size: (101230332, 10) CPU times: user 52.5 s, sys: 18.4 s, total: 1min 10s Wall time: 20.5 sdata.head() |
10*10
Rapids提供了在GPU上處理數(shù)據(jù)的方法。通過將機器學(xué)習(xí)模型轉(zhuǎn)移到GPU，Rapids可以在一個或多個GPU上構(gòu)建端到端的數(shù)據(jù)解決方案。
| # rapids installation (make sure to turn on GPU) import sys !cp ../input/rapids/rapids.0.15.0 /opt/conda/envs/rapids.tar.gz !cd /opt/conda/envs/ && tar -xzvf rapids.tar.gz > /dev/null sys.path = ["/opt/conda/envs/rapids/lib/python3.7/site-packages"] + sys.path sys.path = ["/opt/conda/envs/rapids/lib/python3.7"] + sys.path sys.path = ["/opt/conda/envs/rapids/lib"] + sys.path import cudf |
| %%time data = cudf.read_csv("../input/riiid-test-answer-prediction/train.csv") print("Train size:", data.shape) |
| Train size: (101230332, 10) CPU times: user 4.58 s, sys: 3.31 s, total: 7.89 s Wall time: 30.7 s data.head() |
通常，我們會將數(shù)據(jù)集存儲為容易讀取、讀取速度快或存儲容量較小的格式。數(shù)據(jù)集存儲有各種不同的格式，但不是每一種都可以被處理，因此接下來，我們將介紹如何將這些數(shù)據(jù)集轉(zhuǎn)換為不同的格式。
| # data = dt.fread("../input/riiid-test-answer-prediction/train.csv").to_pandas() # writing dataset as csv # data.to_csv("riiid_train.csv", index=False) # writing dataset as hdf5 # data.to_hdf("riiid_train.h5", "riiid_train") # writing dataset as feather # data.to_feather("riiid_train.feather") # writing dataset as parquet # data.to_parquet("riiid_train.parquet") # writing dataset as pickle # data.to_pickle("riiid_train.pkl.gzip") # writing dataset as jay # dt.Frame(data).to_jay("riiid_train.jay") |
數(shù)據(jù)集的所有格式可從此處獲取，不包括競賽組提供的原始csv數(shù)據(jù)。
大多數(shù)Kaggle數(shù)據(jù)集都提供了csv格式文件。該格式幾乎成為數(shù)據(jù)集的標準格式，而且所有方法都支持從csv讀取數(shù)據(jù)。
更多相關(guān)信息見: https://en.wikipedia.org/wiki/Comma-separated_values
| %%time dtypes = { "row_id": "int64", "timestamp": "int64", "user_id": "int32", "content_id": "int16", "content_type_id": "boolean", "task_container_id": "int16", "user_answer": "int8", "answered_correctly": "int8", "prior_question_elapsed_time": "float32", "prior_question_had_explanation": "boolean"} data = pd.read_csv("../input/riiid-test-answer-prediction/train.csv", dtype=dtypes) print("Train size:", data.shape) |
| Train size: (101230332, 10) CPU times: user 8min 36s, sys: 11.3 s, total: 8min 48s Wall time: 8min 49s |
以feature（二進制）格式存儲數(shù)據(jù)對于pandas極其友好，該格式提供了更快的讀取速度。
了解更多信息：https://arrow.apache.org/docs/python/feather.html
| %%time data = pd.read_feather("../input/riiid-train-data-multiple-formats/riiid_train.feather") print("Train size:", data.shape) |
| Train size: (101230332, 10) CPU times: user 2.59 s, sys: 8.91 s, total: 11.5 s Wall time: 5.19 s |
HDF5是用于存儲、管理和處理大規(guī)模數(shù)據(jù)和復(fù)雜數(shù)據(jù)的高性能數(shù)據(jù)管理組件。
了解更多信息：https://www.hdfgroup.org/solutions/hdf5
| %%time data = pd.read_hdf("../input/riiid-train-data-multiple-formats/riiid_train.h5", "riiid_train") print("Train size:", data.shape) |
| Train size: (101230332, 10) CPU times: user 8.16 s, sys: 10.7 s, total: 18.9 s Wall time: 19.8 s |
Datatable支持.jay（二進制）格式，其在讀取jay格式數(shù)據(jù)時速度快得超乎想象。從下面的示例可以看到，該方法讀取整個riiid數(shù)據(jù)集用時甚至不到1秒！
了解更多信息：https://datatable.readthedocs.io/en/latest/api/frame/to_jay.html
| %%time data = dt.fread("../input/riiid-train-data-multiple-formats/riiid_train.jay") print("Train size:", data.shape) |
| Train size: (101230332, 10) CPU times: user 4.88 ms, sys: 7.35 ms, total: 12.2 ms Wall time: 38 ms |
在Hadoop生態(tài)系統(tǒng)中，parquet是tabular的主要文件格式，同時還支持Spark。經(jīng)過近年的發(fā)展，該數(shù)據(jù)格式更加成熟，高效易用，pandas目前也支持了該數(shù)據(jù)格式。
| %%time data = pd.read_parquet("../input/riiid-train-data-multiple-formats/riiid_train.parquet") print("Train size:", data.shape) |
| Train size: (101230332, 10) CPU times: user 29.9 s, sys: 20.5 s, total: 50.4 s Wall time: 27.3 s |
Python對象可以以pickle格式存儲，pandas內(nèi)置支持pickle對象的讀取和寫入。
了解更多信息：https://docs.python.org/3/library/pickle.html
| %%time data = pd.read_pickle("../input/riiid-train-data-multiple-formats/riiid_train.pkl.gzip") print("Train size:", data.shape) |
| Train size: (101230332, 10) CPU times: user 5.65 s, sys: 7.08 s, total: 12.7 s Wall time: 15 s |
每種方法都有自己的優(yōu)缺點，例如：
Pandas在處理大規(guī)模數(shù)據(jù)時對RAM的需求增加
Dask有時很慢，尤其是在無法并行化的情況下
Datatable沒有豐富的數(shù)據(jù)處理功能
Rapids只適用于GPU
因此，希望讀者掌握不同的方法，并根據(jù)實際需求選擇最恰當?shù)姆椒?。我始終相信，研究不是技術(shù)驅(qū)動的，技術(shù)方法只是手段，要有好主意、新想法、改進技術(shù)才能推動數(shù)據(jù)科學(xué)的研究與發(fā)展。
在經(jīng)過大量研究后，我確信不同數(shù)據(jù)集具有不同的適用方法，因此要多嘗試，千萬不要試圖一招半式闖江湖。
在不斷更新的開源軟件包和活躍的社區(qū)支持下，數(shù)據(jù)科學(xué)必將持續(xù)蓬勃發(fā)展。
AI研習(xí)社是AI學(xué)術(shù)青年和AI開發(fā)者技術(shù)交流的在線社區(qū)。我們與高校、學(xué)術(shù)機構(gòu)和產(chǎn)業(yè)界合作，通過提供學(xué)習(xí)、實戰(zhàn)和求職服務(wù)，為AI學(xué)術(shù)青年和開發(fā)者的交流互助和職業(yè)發(fā)展打造一站式平臺，致力成為中國最大的科技創(chuàng)新人才聚集地。
如果，你也是位熱愛分享的AI愛好者。歡迎與譯站一起，學(xué)習(xí)新知，分享成長。
雷峰網(wǎng)版權(quán)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
