读书笔记：《Python 和 Dask 数据科学》

---

一. 可扩展计算

数据集规模

• 小规模数据集，可以装入内存，可以装入本地磁盘
  • Pandas，NumPy，scikit-learn
• 中规模数据集，不可以装入内存，可以装入本地磁盘
  • Dask 本地任务调度器
• 大规模数据集，不可以装入内存，不可以装入本地磁盘
  • Dask 分布式任务调度器
    • 集群资源管理器：
      • Hadoop Yarn
      • Mesos
      • Kubernetes

调度，扩展，并发和恢复

• 任务调度器：有向无环图 DAG
• 扩展：
  • 横向扩展：雇佣更多工人，需要在不同工人之间编排复杂任务
  • 纵向扩展：升级设备，技术升级总会达到极限
• 并发和资源管理：任务调度器来决定如何处理资源的争用和锁定，避免资源的争用影响性能
• 失败中恢复：只运行失败的任务，已经完成的任务不需要重新运行

二. Dask

Dask 组件和层次

• 顶层 API：
  • Dask Array：NumPy
  • Dask Bag：Python List，非结构化数据
  • Dask DataFrame：Pandas
  • Dask ML：scikit-learn
    • 序列化模型：pickle，dill
• 底层 API：
  • Dask delayed：lazy parallel objects
  • Dask Future：Eager parallel objects
• Dask 子系统：调度器

Dask 入门

• 数据类型：
  • 自动从数据推断数据类型，随机抽样
  • 最好显式指定数据类型；或者使用显式指定数据类型的二进制文件格式存储数据（parquet）
• 跟踪正在运行的任务：from dask.diagnostics import ProgressBar
• compute：运行计算任务 DAG 并输出结果
• persist：将中间结果保存在内存中，不需要重新计算，persist 之前的计算任务会在 DAG 中删除
• DAG 可视化：dd.visualiuze
• 任务调度：
  • 跟踪中间结果的存储位置，将计算任务放在数据节点上运行，避免在网络上传输中间结果，提高运行效率
  • 数据本地话，避免将数据在 worker 之间移动，使用分布式文件系统（S3，HDFS）

三. Dask DataFrame

Dask 和 Pandas

• 索引和轴：
  • 索引：每行的标识符
  • 轴：0轴沿着行，1轴沿着列
• Pandas 经过高度优化，可以高效处理内存中的数据
• Dask 分区：
  • npartitions
  • divisions：分区的边界
  • map_partitions：方法应用到每个分区
• 混洗 shuffle：将所有分区广播给所有 worker，发生于排序，分组和索引操作时，预先对数据进行排序，尽可能减少混洗操作
• Dask 的局限性：没有扩展 Pandas 的所有操作
  • 不支持更改 DataFrame 结构：stack，unstack，melt
  • 关系操作涉及混洗成为性能瓶颈：join，merge，groupby，rolling
  • 创建索引需要排序混洗
    • reset_index：不以分区感知的方式建立索引

数据：读取

• 数据类型：
  • 显式指定，禁用类型推断
  • 首先全部假定为 np.str 类型，读取后再 head 分析具体类型
  • np.nan 为 float32 类型，uint 无法存储
  • dask 只显示数字数据类型，非数字数字类型显示为 object
• csv：带分隔符的文本文件
• sql：关系型数据库
• HDFS：可以在数据节点上运行计算
• S3：仅作为数据存储服务
• Parquet：
  • 读写：fasetparquet，pyarrow
  • 压缩：gzip，lzo，snappy

数据：清理转换

• 列操作：
  • 选择列，删除列，重命名
  • 创建新列：apply，assign
• 行操作：
  • 选择行，loc，可以切片
• 缺失值：
  • 》50%：删除列
  • 5%～50%：缺失值填充
  • 《5%：删除行
• 数据重编码：
  • where：替换 False 行
  • mask：替换 True 行
• 索引，排序，连接
  • 索引已排序：search，filter
  • 两表的索引已对齐：join
  • 列轴连接：join
  • 行轴连接：append

数据：聚合分析

相关性不意味着因果关系。

• 统计信息：
  • mean，std，min，max
  • 偏度：
    • 正偏度：大于中位数，减缓
    • 负偏度：大于中位数，陡峭
    • dask_stats.skew
  • 中位数：quantile（0.5）
  • describe
  • 相关性：corr
• 聚合分组：
  • groupby
  • agg
  • 自定义聚合对象：dd.Aggregation：
    • 应用于每个分区的函数
    • 聚合每个分区结果的函数
• 滑动窗口：
  • 窗口大小不能跨越分区
  • 默认前n个窗口，可以设置center=True

数据：可视化

• 安斯科姆四重奏：四个数据集具有相同的统计变量，但是具有不同的数据分布
• Seaborn 可视化：基于 Matplotlib 的封装
• 可视化的价值在于能够快速直观地从数据中识别和洞察的能力，当可视化大量数据时，则难以观察
• Datashader 可视化：
  • 仅限位置数据
  • 不需要降低采样
  • 直接接受 Dask 对象
  • 可以交互式可视化：holoviews，geoviews，bokeh

四. Dask 部署

Dask 集群在 AWS 中的架构：

1. Scheduler 调度器：从 Notebook 接受作业，协调工作节点
2. Worker 工作节点：接受任务并计算
3. Jupyter Notebook 服务器：提供前端允许用户运行代码
4. 客户端：向用户展示结果

配置 AWS 集群：

1. 生成安全密钥 Access Key
2. 创建 ECS 集群
3. 配置集群网络，安全组
4. 配置文件系统 EFS
5. 配置 Docker 镜像 ECR
6. 创建调度器，工作节点，Notebook 服务器镜像
7. 连接到集群
   1. scheduler hostname：8787
   2. notebook hostname：8888
   3. 显式传递调度器 URI，或者配置 DASK_SCHEDULER_ADDRESS 环境变量