數據太多而無法使用？快試試這個Kaggle大數據集高效訪問教程

  • 2020 年 12 月 17 日
  • AI

譯者：AI研習社（季一帆）

雙語原文鏈接：Tutorial on reading large datasets

大規模數據集

對數據科學家和Kaggler來說，數據永遠不嫌多。

我敢肯定，你在解決某些問題時，一定報怨過沒有足夠的數據，但偶爾也會抱怨數據量太多難以處理。本文探討的問題就是對超大規模數據集的處理。

在數據過多的情況下，最常見的解決方案是根據RAM取樣適量數據，但這卻浪費了未使用的數據，甚至可能導致資訊缺失問題。針對這些問題，研究人員提出多種不同的非子取樣方法。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具體需求選擇恰當的解決方案。

本文將對一些相關技術進行描述和總結。由於Riiid! Answer Correctness Prediction數據集由10列，超1億行的數據組成，在Kaggle Notebook中使用pd.read_csv方法讀取會導致記憶體不足，因此本文將該數據集做為典型示例。

不同安裝包讀取數據的方式有所不同，Notebook中可用方法包括（默認為Pandas，按字母表排序）：

除了從csv文件讀取數據外，還可以將數據集轉換為佔有更少磁碟空間、更少記憶體、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據這麼簡單，還要同時考慮數據的下游任務和應用流程，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資料。

同時，你還會發現，對於不同數據集或不同環境，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。

後續會陸續添加新的數據讀取方法。

方法

我們首先使用Notebook默認的pandas方法，如前文所述，這樣的讀取因記憶體不足失敗。

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介紹

Pandas是最常用的數據集讀取方法，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據。

使用pandas讀取大型數據集的挑戰之一是其保守性，同時推斷數據集列的數據類型會導致pandas dataframe佔用大量非必要記憶體。因此，在數據讀取時，可以基於先驗知識或樣品檢查預定義列數據的最佳數據類型，避免記憶體損耗。

RiiiD競賽官方提供的數據集讀取方法就是如此。

幫助文檔: //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介紹

Dask提供並行處理框架對pandas工作流進行擴展，其與Spark具有諸多相似之處。

幫助文檔：//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()

Datatable介紹

受R語言data.table的啟發，python中提出Datatable，該包可快速讀取大型數據集，一般要比pandas快得多。值得注意的是，該包專門用於處理表格數據集，能夠快速讀取大規模的表格數據集。

幫助文檔：//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介紹

Rapids提供了在GPU上處理數據的方法。通過將機器學習模型轉移到GPU，Rapids可以在一個或多個GPU上構建端到端的數據解決方案。

幫助文檔：//docs.rapids.ai/

# 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()

文件格式

通常，我們會將數據集存儲為容易讀取、讀取速度快或存儲容量較小的格式。數據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據集轉換為不同的格式。

# 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”)

數據集的所有格式可從此處獲取，不包括競賽組提供的原始csv數據。

csv格式

大多數Kaggle數據集都提供了csv格式文件。該格式幾乎成為數據集的標準格式，而且所有方法都支援從csv讀取數據。

更多相關資訊見: //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

feather格式

以feature（二進位）格式存儲數據對於pandas極其友好，該格式提供了更快的讀取速度。

了解更多資訊：//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格式

HDF5是用於存儲、管理和處理大規模數據和複雜數據的高性能數據管理組件。

了解更多資訊：//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

jay格式

Datatable支援.jay（二進位）格式，其在讀取jay格式數據時速度快得超乎想像。從下面的示例可以看到，該方法讀取整個riiid數據集用時甚至不到1秒！

了解更多資訊：//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

parquet格式

在Hadoop生態系統中，parquet是tabular的主要文件格式，同時還支援Spark。經過近年的發展，該數據格式更加成熟，高效易用，pandas目前也支援了該數據格式。

%%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

pickle格式

Python對象可以以pickle格式存儲，pandas內置支援pickle對象的讀取和寫入。

了解更多資訊：//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

不同方法各有千秋

每種方法都有自己的優缺點，例如：

  • Pandas在處理大規模數據時對RAM的需求增加

  • Dask有時很慢，尤其是在無法並行化的情況下

  • Datatable沒有豐富的數據處理功能

  • Rapids只適用於GPU

因此，希望讀者掌握不同的方法，並根據實際需求選擇最恰當的方法。我始終相信，研究不是技術驅動的，技術方法只是手段，要有好主意、新想法、改進技術才能推動數據科學的研究與發展。

在經過大量研究後，我確信不同數據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體包和活躍的社區支援下，數據科學必將持續蓬勃發展。

AI研習社是AI學術青年和AI開發者技術交流的在線社區。我們與高校、學術機構和產業界合作，通過提供學習、實戰和求職服務，為AI學術青年和開發者的交流互助和職業發展打造一站式平台，致力成為中國最大的科技創新人才聚集地。

如果，你也是位熱愛分享的AI愛好者。歡迎與譯站一起，學習新知，分享成長。

VirMach 便宜 VPS

QNews

QNews