dask计算不是并行执行的

Question

我有一个json文件目录，我试图转换为dask DataFrame并将其保存到castra。有200个文件，它们之间包含O（10 ** 7）个json记录。代码非常简单，主要遵循教程示例。

import dask.dataframe as dd
import dask.bag as db
import json
txt = db.from_filenames('part-*.json')
js = txt.map(json.loads)
df = js.to_dataframe()
cs=df.to_castra("data.castra")

我在32核机器上运行它，但代码只使用100％的一个核心。我对文档的理解是这段代码并行执行。为什么不呢？我误解了什么吗？

Answer 1

您的最终集合是一个dask数据框，默认情况下使用线程，您必须明确告诉dask使用进程。

你可以在全球范围内这样做

import dask
dask.config.set(scheduler='multiprocessing')

或者只是在to_castra电话上这样做

df.to_castra("data.castra", scheduler='multiprocessing')

另外，作为一个警告，Castra主要是一个实验。它速度相当快，但也不像HDF5或Parquet那样成熟。