将 lambda 函数应用于 dask 数据帧

Question

我希望将lambda函数应用于 dask 数据框以更改列中的标签，如果它小于某个百分比。 我使用的方法适用于 Pandas 数据帧，但相同的代码不适用于 dask 数据帧。 代码如下。

df = pd.DataFrame({'A':['ant','ant','cherry', 'bee', 'ant'], 'B':['cat','peach', 'cat', 'cat', 'peach'], 'C':['dog','dog','roo', 'emu', 'emu']})
ddf = dd.from_pandas(df, npartitions=2)

df:

输出：

     A     B      C
0   ant    cat   dog
1   ant    peach dog
2   cherry cat   roo
3   bee    cat   emu
4   ant    peach emu

ddf.compute()

输出：

     A     B      C
0   ant    cat   dog
1   ant    peach dog
2   cherry cat   roo
3   bee    cat   emu
4   ant    peach emu

list_ = ['B','C']
df.apply(lambda x: x.mask(x.map(x.value_counts(normalize=True))<.5, 'other') if x.name not in list_ else x)

输出：

     A     B      C
0   ant    cat   dog
1   ant    peach dog
2   other  cat   roo
3   other  cat   emu
4   ant    peach emu

对 dask 数据框执行相同操作：

ddf.apply(lambda x: x.mask(x.map(x.value_counts(normalize=True))<.5, 'other') if x.name not in list_ else x,axis=1).compute()

输出（给出警告而不是所需的输出）：

/home/michael/env/lib/python3.5/site-packages/dask/dataframe/core.py:3107: UserWarning: `meta` is not specified, inferred from partial data. Please provide `meta` if the result is unexpected.
  Before: .apply(func)
  After:  .apply(func, meta={'x': 'f8', 'y': 'f8'}) for dataframe result
  or:     .apply(func, meta=('x', 'f8'))            for series result
  warnings.warn(msg)
      A       B       C
0   other   other   other
1   other   other   other
2   other   other   other
3   other   other   other
4   other   other   other

有人可以帮助我获得 dask 数据帧实例所需的输出。

谢谢

迈克尔

Answer 1

在 pandas 和 dask 情况下，您没有执行相同的操作：对于后者，您有axis=1 ，因此您最终会替换给定行中出现少于两次的任何值，这就是全部。

如果您更改为axis=0 ，您将看到您收到异常。 这是因为要计算第一个分区，您还需要将整个数据帧传递给 lambda 函数 - 否则如何获得 value_counts？

您的问题的解决方案是分别获取值计数。 您可以显式地计算它（结果很小）或将其传递给 lambda。 此外请注意，走这条路意味着您可以避免使用apply来支持map并使事情更加明确。 在这里我专门选择一列，你可以循环。

vc = ddf.A.value_counts().compute()
vc /= vc.sum()  # because dask's value_count doesn't normalise

def simple_map(df):
    df['A'] = df['A'].map(lambda x: x if vc[x] > 0.5 else 'other')
    return df

ddf.map_partitions(simple_map, meta=df[:0]).compute()