如何为dask.dataframe指定元数据

Question

文档提供了很好的示例， 如何提供元数据 。 但是，当我为数据帧选择正确的dtypes时，我仍然感到不确定。

• 我可以做一些像meta={'x': int 'y': float, 'z': float}而不是meta={'x': 'i8', 'y': 'f8', 'z': 'f8'} ？
• 有人可以提示我一个像'i8'这样的可能值列表吗？ 存在什么类型？
• 如何指定包含任意对象的列？ 如何指定仅包含一个类的实例的列？

Answer 1

可用的基本数据类型是通过numpy提供的类型。 查看列表的文档 。

此集合中不包含日期时间格式（例如datetime64 ），可在pandas和numpy文档中找到其他信息。

dask数据帧的元参数通常需要一个空的pandas数据帧，其中包含列，索引和dtypes的定义。

构建这样一个DataFrame的一种方法是：

import pandas as pd
import numpy as np
meta = pd.DataFrame(columns=['a', 'b', 'c'])
meta.a = meta.a.astype(np.int64)
meta.b = meta.b.astype(np.datetime64)

还有一种方法可以为pandas数据帧的构造函数提供一个dtype，但是，我不知道如何为每个列提供它们。 如您所见，不仅可以提供数据类型的“名称”，还可以提供实际的numpy dtype。

关于您的上一个问题，您要查找的数据类型是“object”。 例如：

import pandas as pd

class Foo:
    def __init__(self, foo):
        self.bar = foo

df = pd.DataFrame(data=[Foo(1), Foo(2)], columns=['a'], dtype='object')
df.a
# 0    <__main__.Foo object at 0x00000000058AC550>
# 1    <__main__.Foo object at 0x00000000058AC358>

Answer 2

Dask.dataframe和Pandas都使用NumPy dtypes。 特别是，你可以传递给np.dtype的任何东西。 这包括以下内容：

1. NumPy np.float64对象，如np.float64
2. Python类型对象，如float
3. NumPy dtype字符串，如'f8'

以下是从NumPy文档中获取的更广泛的列表： http ： //docs.scipy.org/doc/numpy/reference/arrays.dtypes.html#specifying-and-constructing-data-types