代码之家 › 专栏 › 技术社区 › thebeancounter

python dask数据帧-连接groupby。将输出应用于单个数据帧

dask apply dataframe pandas python

thebeancounter · 技术社区 · 8 年前

我正在使用dask数据帧。groupby()。应用() 并得到一个dask序列作为返回值。

我在映射函数的末尾使用这段代码将三元组作为dask df返回

#assume here that trips is a generator for tripletes such as you would produce from itertools.product([l1,l2,l3])
trip = list(itertools.chain.from_iterable(trip))
df = pd.DataFrame.from_records(trip)
return dd.from_pandas(df,npartitions=1)

然后当我尝试使用类似 pandas concat 具有 dask concatenate

假设应用函数的结果是可变结果。我正在尝试使用导入dask。数据帧作为dd

并获取错误

raise TypeError(“dfs必须是数据帧/序列对象的列表”) 类型错误:dfs必须是数据帧/序列对象的列表

但是当我使用

print type(result)

我明白了

在dask groupby对象组上应用函数并将所有结果放入一个数据帧的正确方法是什么?

谢谢

编辑:-------------------------------------------------------------- 为了生成用例,假设生成了这种虚假数据

import random
import pandas as pd
import dask.dataframe as dd
people = [[random.randint(1,3), random.randint(1,3), random.randint(1,3)] for i in range(1000)]
ddf = dd.from_pandas(pd.DataFrame.from_records(people, columns=["first name", "last name", "cars"]), npartitions=1)

假设apply函数可以返回一系列元组列表,例如[(name,name,cars count),(name,name,cars count)]或具有相同列的数据帧-name,name,car count。

是的,我知道特定用例可以用另一种方式解决,但请相信我,我的用例更复杂。但我无法共享数据,也无法生成任何类似的数据。让我们使用一个虚拟数据:-)

挑战是将应用的所有结果连接到单个dask数据帧中(这里熊猫数据帧将是一个问题,数据将不适合内存-因此通过熊猫数据帧的转换将是一个问题)

2 回复 | 直到 8 年前

jezrael 8 年前

对于我来说,如果输出 apply 是 pandas DataFrame ,因此,如有必要,最后转换为 dask DataFrame :

def f(x):
    trip = ((1,2,x) for x in range(3))
    df = pd.DataFrame.from_records(trip)
    return df

df1 = ddf.groupby('cars').apply(f, meta={'x': 'i8', 'y': 'i8', 'z': 'i8'}).compute()
#only for remove MultiIndex
df1 = df1.reset_index()
print (df1)
   cars  level_1  x  y  z
0     1        0  1  2  0
1     1        1  1  2  1
2     1        2  1  2  2
3     2        0  1  2  0
4     2        1  1  2  1
5     2        2  1  2  2
6     3        0  1  2  0
7     3        1  1  2  1
8     3        2  1  2  2

ddf1 = dd.from_pandas(df1,npartitions=1)
print (ddf1)
                cars level_1      x      y      z
npartitions=1                                    
0              int64   int64  int64  int64  int64
8                ...     ...    ...    ...    ...
Dask Name: from_pandas, 1 tasks

编辑:

L = []
def f(x):
    trip = ((1,2,x) for x in range(3))
    #append each
    L.append(da.from_array(np.array(list(trip)), chunks=(1,3)))

ddf.groupby('cars').apply(f, meta={'x': 'i8', 'y': 'i8', 'z': 'i8'}).compute()
dar =  da.concatenate(L, axis=0)
print (dar)
dask.array<concatenate, shape=(12, 3), dtype=int32, chunksize=(1, 3)>

TomAugspurger 8 年前

供您编辑:

In [8]: ddf.groupby(['first name', 'last name']).cars.count().compute()
Out[8]:
first name  last name
1           1            107
            2            107
            3            110
2           1            117
            2            120
            3             99
3           1            119
            2            103
            3            118
Name: cars, dtype: int64