將 lambda 函數應用於 dask 數據幀

Question

我希望將lambda函數應用於 dask 數據框以更改列中的標簽，如果它小於某個百分比。 我使用的方法適用於 Pandas 數據幀，但相同的代碼不適用於 dask 數據幀。 代碼如下。

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:

輸出：

     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()

輸出：

     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)

輸出：

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

對 dask 數據框執行相同操作：

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()

輸出（給出警告而不是所需的輸出）：

/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

有人可以幫助我獲得 dask 數據幀實例所需的輸出。

謝謝

邁克爾

Answer 1

在 pandas 和 dask 情況下，您沒有執行相同的操作：對於后者，您有axis=1 ，因此您最終會替換給定行中出現少於兩次的任何值，這就是全部。

如果您更改為axis=0 ，您將看到您收到異常。 這是因為要計算第一個分區，您還需要將整個數據幀傳遞給 lambda 函數 - 否則如何獲得 value_counts？

您的問題的解決方案是分別獲取值計數。 您可以顯式地計算它（結果很小）或將其傳遞給 lambda。 此外請注意，走這條路意味着您可以避免使用apply來支持map並使事情更加明確。 在這里我專門選擇一列，你可以循環。

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()