我有一些有序的数据,其中有事件的层次结构。每一列都是事件的唯一 ID,相对于层次结构中高于它的事件。类似于每个日的数字在一个月内是唯一的,并且每个月的数字在一年中都是唯一的。我想让最低级别在最高级别中独一无二,就像通过从 1 到 365 的数字使一年中的每一天都独一无二。我的用例不是特定于天、月和年。
以前:
| ID | EVENT_1 | EVENT_2 | EVENT_3 |
| -- | ------- | ------- | ------- |
| 1 | 1 | 1 | 1 |
| 1 | 1 | 1 | 2 |
| 1 | 1 | 1 | 3 |
| 1 | 1 | 2 | 1 |
| 1 | 1 | 2 | 2 |
| 1 | 1 | 3 | 1 |
| 1 | 1 | 3 | 2 |
| 1 | 2 | 1 | 1 |
| 1 | 2 | 1 | 2 |
后:
| ID | EVENT_1 | EVENT_2 | EVENT_3 | EVENT_3A |
| -- | ------- | ------- | ------- | -------- |
| 1 | 1 | 1 | 1 | 1 |
| 1 | 1 | 1 | 2 | 2 |
| 1 | 1 | 1 | 3 | 3 |
| 1 | 1 | 2 | 1 | 4 |
| 1 | 1 | 2 | 2 | 5 |
| 1 | 1 | 3 | 1 | 6 |
| 1 | 1 | 3 | 2 | 7 |
| 1 | 2 | 1 | 1 | 1 |
| 1 | 2 | 1 | 2 | 2 |
目标是获得一列,其中对于每个 id,都有一个EVENT_3A,EVENT_3A是EVENT_3相对于EVENT_1发生的顺序(好像没有EVENT_2一样)。此外,还有许多 ID 必须独立计算。现在我在 CPU 上执行此操作,但这需要很长时间,因此我想切换到在 GPU 上执行此操作。
我的主要想法是做一个groupby('ID').apply_grouped()
或groupby('ID').agg()
但我不知道在apply_grouped()
或agg()
函数中放什么。我之前在 CPU 上使用 dask 执行此操作,但它更直观,因为分组的数据帧直接传递给apply()
函数。似乎在 cuDF 中,我必须传递 incols,并且我无法弄清楚如何将它们视为数据帧。
大约有 5,000 个 ID,因此理想情况下,每个分组的 ID 将由 GPU 中的一个内核处理,但我不确定它是否可以像那样工作,因为我是 GPU 编程的新手。
任何建议或解决方案都有帮助,谢谢。
目标是获得一列,其中对于每个 id,都有一个EVENT_3A,使得EVENT_3A是EVENT_3相对于EVENT_1发生的顺序(好像没有EVENT_2)。
您描述的是按累积计数操作,键为 [ID, EVENT_1]。它尚未在 cuDF 中实现,因此您可能希望使用用户定义的函数。例如:
您的设置:
import cudf
from numba import cuda
import numpy as np
data = {
"ID":[1,1,1,1,1,1,1,1,1],
"EVENT_1":[1,1,1,1,1,1,1,2,2,],
"EVENT_2":[1,1,1,2,2,3,3,1,1],
"EVENT_3":[1,2,3,1,2,1,2,1,2]
}
gdf = cudf.DataFrame(data)
print(gdf)
ID EVENT_1 EVENT_2 EVENT_3
0 1 1 1 1
1 1 1 1 2
2 1 1 1 3
3 1 1 2 1
4 1 1 2 2
5 1 1 3 1
6 1 1 3 2
7 1 2 1 1
8 1 2 1 2
我们可以而且应该在这里使用apply_grouped
。我鼓励您查看文档以完全了解此处发生的情况,但在高级别上,我们可以使用该组内线程索引作为该行的索引作为计数。我们传递EVENT_3
列,因此确保列名和函数参数匹配。
def cumcount(EVENT_3, cumcount):
for i in range(cuda.threadIdx.x, len(EVENT_3), cuda.blockDim.x):
cumcount[i] = i + 1 # since your exmaple counts start with 1 rather than 0
results = gdf.groupby(["ID", "EVENT_1"]).apply_grouped(cumcount,
incols=['EVENT_3'],
outcols=dict(cumcount=np.int32))
print(results.sort_index()) # get the original row order, for demonstration
ID EVENT_1 EVENT_2 EVENT_3 cumcount
0 1 1 1 1 1
1 1 1 1 2 2
2 1 1 1 3 3
3 1 1 2 1 4
4 1 1 2 2 5
5 1 1 3 1 6
6 1 1 3 2 7
7 1 2 1 1 1
8 1 2 1 2 2
作为健全性检查,您可以证明这些结果与较大数据上的熊猫匹配。
n_ids = 5000
n_rows = 10000000
df = pd.DataFrame({
"ID": np.random.choice(range(n_ids), n_rows),
"EVENT_1": np.random.choice(range(500), n_rows),
"EVENT_2": np.random.choice(range(500), n_rows),
"EVENT_3": np.random.choice(range(n_ids), n_rows)
})
gdf = cudf.from_pandas(df)
results = gdf.groupby(["ID", "EVENT_1"]).apply_grouped(cumcount,
incols=['EVENT_3'],
outcols=dict(cumcount=np.int32))
results = results.sort_index()
pdf_res = df.groupby(["ID", "EVENT_1"]).EVENT_3.cumcount() + 1
print(pdf_res.astype("int32").equals(results['cumcount'].to_pandas()))
True
请注意,如果您有 100 万行和合理数量的组<,则在 pandas 中使用df.groupby([ID, EVENT_1]).EVENT_3.cumcount() + 1
可能会很快,因为按 groupby cumcount 相当有效。话虽如此,cuDF UDF在规模上会快得多。