在databricks上安装cudf

问题描述

我正在尝试对数据块使用cudf。

我开始关注https://medium.com/rapids-ai/rapids-can-now-be-accessed-on-databricks-unified-analytics-platform-666e42284bd1。但是初始化脚本链接已损坏。

然后，我点击了此链接（https://github.com/rapidsai/spark-examples/blob/master/getting-started-guides/csp/databricks/databricks.md#start-a-databricks-cluster），该链接将cudf jar安装在群集上。仍然我无法import cudf。

我也尝试过： %sh conda install -c rapidsai -c nvidia -c numba -c conda-forge cudf=0.13 python=3.7 cudatoolkit=10.1也失败了，但出现了一个长错误，结尾为：

     active environment : /databricks/python
    active env location : /databricks/python
            shell level : 2
       user config file : /root/.condarc
 populated config files : /databricks/conda/.condarc
          conda version : 4.8.2
    conda-build version : not installed
         python version : 3.7.6.final.0
       virtual packages : __cuda=10.2
                          __glibc=2.27
       base environment : /databricks/conda  (writable)
           channel URLs : https://conda.anaconda.org/nvidia/linux-64
                          https://conda.anaconda.org/nvidia/noarch
                          https://conda.anaconda.org/rapidsai/linux-64
                          https://conda.anaconda.org/rapidsai/noarch
                          https://conda.anaconda.org/numba/linux-64
                          https://conda.anaconda.org/numba/noarch
                          https://conda.anaconda.org/conda-forge/linux-64
                          https://conda.anaconda.org/conda-forge/noarch
                          https://conda.anaconda.org/pytorch/linux-64
                          https://conda.anaconda.org/pytorch/noarch
                          https://repo.anaconda.com/pkgs/main/linux-64
                          https://repo.anaconda.com/pkgs/main/noarch
                          https://repo.anaconda.com/pkgs/r/linux-64
                          https://repo.anaconda.com/pkgs/r/noarch
          package cache : /databricks/python/pkgs
                          /local_disk0/conda/pkgs
       envs directories : /databricks/conda/envs
                          /root/.conda/envs
               platform : linux-64
             user-agent : conda/4.8.2 requests/2.22.0 CPython/3.7.6 Linux/4.4.0-1114-aws ubuntu/18.04.5 glibc/2.27
                UID:GID : 0:0
             netrc file : None
           offline mode : False


An unexpected error has occurred. Conda has prepared the above report.

Upload successful.

有什么想法如何在数据砖集群上使用cudf吗？

解决方法

我记得前一段时间曾帮助写过该博客：）。现在已经过时了。

自spark-rapids起，Karthik和团队进行了一些重大更新。这是带有数据砖的RAPID的最新实现：https://nvidia.github.io/spark-rapids/docs/get-started/getting-started-databricks.html。这样可以使您使用最新版本的Cudf。

我会要求某人在该特定博客上添加免责声明，这样其他人也不会感到困惑。感谢您通过这个问题提醒我们！

,

也许您需要cudatoolkit=10.2？您在该报告中有virtual packages : __cuda=10.2。

我正在研究数据块GPU群集上的安装问题（尽管存在其他问题），并指出CUDA的版本是10.2，而不是我期望的10.1。

,

我认为 OP 想将 python 与 cudf 一起使用。 如果是这样，则文档中未涵盖该内容。

但我尝试将以下内容添加到 generate-init-script.ipynb 中以使其工作：

#Use mamba to install packages to speed up conda resolve time
base=$(conda info --base)
conda create -y -n mamba -c conda-forge mamba
pip uninstall -y pyarrow
${base}/envs/mamba/bin/mamba remove -y c-ares zstd libprotobuf pandas
${base}/envs/mamba/bin/mamba install -y "pyarrow=1.0.1" -c "conda-forge"
${base}/envs/mamba/bin/mamba install -y -c "rapidsai" -c "nvidia" -c "conda-forge" -c "defaults" "cudf=0.18" "cudatoolkit=10.1"
conda env remove -n mamba

注意：根据您的环境更改cudf版本和cudatoolkit。