Skip to main content
 首页 » 编程设计

python之Dask Bag of dicts 到 Dask 数组

2025年01月19日10kenshinobiy

我需要将 {'imgs': np.array(img_list), 'lables': np.array(label_list)} 的 dask.Bag 转换成两个单独的 dask.Array-s . 为什么我创建 Bag 而不是直接去 Array?因为我通过 map() 多次处理那个 Bag;没能对 Array 做同样的事情。

现在,以下代码适用于小型数据集,但显然不适用于更大的数据。

images_array = da.from_array(np.array([item['images'] for item in imgs_labels_bag]), chunks=chunksize) 
labels_array = da.from_array(np.array([item['labels'] for item in imgs_labels_bag]), chunks=chunksize) 

如何在不将 objs 转换为 numpy 的情况下做到这一点?

想法:

  1. 我试过 Bag -> Delayed -> Array 但它没有成功,因为数组形状有问题。

  2. 一个选项可能是将 Bag 作为文本文件转储到磁盘上,然后将其作为 dask.DataFrame/Array 读取。示例:b_dict.map(json.dumps).to_textfiles("/path/to/data/*.json")

  3. 我可以各有 2 袋 np.array,然后尝试 Bag -> Delayed -> Array,而不是一袋字典。

还有其他想法吗?

请您参考如下方法:

如果 item['images'] 是一维 numpy 数组,并且您想按以下方式平铺它们:

+---------------+ 
|item0['images']| 
+---------------+ 
|item1['images']| 
+---------------+ 
|item2['images']| 
+---------------+     

然后这可以工作(doc):

import dask.bag as db 
import numpy as np 
import dask.array as da 
b = db.from_sequence([{'img':np.arange(10)}]*4) 
s = da.stack([item['img'] for item in b], axis=0) 
print(s.compute()) 

结果:

[[0 1 2 3 4 5 6 7 8 9] 
 [0 1 2 3 4 5 6 7 8 9] 
 [0 1 2 3 4 5 6 7 8 9] 
 [0 1 2 3 4 5 6 7 8 9]]