![](/img/trans.png)
[英]How to split dask dataframe into partitions based on unique values in a column?
[英]Dask dataframe split partitions based on a column or function
我最近开始在Dask寻找大数据。 我对有效并行应用操作有疑问。
说我有一些这样的销售数据:
customerKey productKey transactionKey grossSales netSales unitVolume volume transactionDate ----------- -------------- ---------------- ---------- -------- ---------- ------ -------------------- 20353 189 219548 0.921058 0.921058 1 1 2017-02-01 00:00:00 2596618 189 215015 0.709997 0.709997 1 1 2017-02-01 00:00:00 30339435 189 215184 0.918068 0.918068 1 1 2017-02-01 00:00:00 32714675 189 216656 0.751007 0.751007 1 1 2017-02-01 00:00:00 39232537 189 218180 0.752392 0.752392 1 1 2017-02-01 00:00:00 41722826 189 216806 0.0160143 0.0160143 1 1 2017-02-01 00:00:00 46525123 189 219875 0.469437 0.469437 1 1 2017-02-01 00:00:00 51024667 189 215457 0.244886 0.244886 1 1 2017-02-01 00:00:00 52949803 189 215413 0.837739 0.837739 1 1 2017-02-01 00:00:00 56526281 189 220261 0.464716 0.464716 1 1 2017-02-01 00:00:00 56776211 189 220017 0.272027 0.272027 1 1 2017-02-01 00:00:00 58198475 189 215058 0.805758 0.805758 1 1 2017-02-01 00:00:00 63523098 189 214821 0.479798 0.479798 1 1 2017-02-01 00:00:00 65987889 189 217484 0.122769 0.122769 1 1 2017-02-01 00:00:00 74607556 189 220286 0.564133 0.564133 1 1 2017-02-01 00:00:00 75533379 189 217880 0.164387 0.164387 1 1 2017-02-01 00:00:00 85676779 189 215150 0.0180961 0.0180961 1 1 2017-02-01 00:00:00 88072944 189 219071 0.492753 0.492753 1 1 2017-02-01 00:00:00 90233554 189 216118 0.439582 0.439582 1 1 2017-02-01 00:00:00 91949008 189 220178 0.1893 0.1893 1 1 2017-02-01 00:00:00 91995925 189 215159 0.566552 0.566552 1 1 2017-02-01 00:00:00
我想做几个不同的groupby,首先在customerKey上应用groupby。 然后应用customerKey上的另一个groupby-sum和一个将作为previos groupby结果的列。
我能想到的最有效的方法是将数据帧拆分为客户密钥块的分区。 因此,例如,我可以使用分区方案将数据帧分为4个块,例如(pseudocode)
按customerKey%4划分
然后,我可以使用map_partitions对每个分区进行分组,然后最后返回结果。 但是,似乎模糊迫使我对我想做的每个分组进行洗牌。
有没有办法根据列的值重新分区?
目前,在只有约80,000行的数据帧上,有4个工作人员需要大约45s。 我正计划将其扩展到数以万亿计的行的数据帧,而且似乎已经开始可怕地扩展了。
我是否错过了Dask的基础知识?
您可以将列设置为索引
df = df.set_index('customerKey')
这将按该列对数据进行排序,并跟踪哪个分区中的值范围。 如您所知,这可能是一项昂贵的操作,您可能需要将其保存在某个位置
在内存中
df = df.persist()
或在磁盘上
df.to_parquet('...')
df = df.read_parquet('...')
与groupby相比,将index设置为所需列和map_partitions的效率更高
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.