将pandas-df添加到dask-df中

Question

我最近在dask中遇到的一个问题是编码需要很多时间，我想加快它们的速度。

问题：给定一个dask-df(ddf(，对其进行编码，然后返回ddf。

以下是一些代码：

# !pip install feature_engine
import dask.dataframe as dd
import pandas as pd
import numpy as np
from feature_engine.encoding import CountFrequencyEncoder
df = pd.DataFrame(np.random.randint(1, 5, (100,3)), columns=['a', 'b', 'c'])
# make it object cols
for col in df.columns:
df[col] = df[col].astype(str)
ddf = dd.from_pandas(df, npartitions=3)
x_freq = ddf.copy()
for col_idx, col_name in enumerate(x_freq.columns):
freq_enc = CountFrequencyEncoder(encoding_method='frequency')
col_to_encode = x_freq[col_name].to_frame().compute()
encoded_col = freq_enc.fit_transform(col_to_encode).rename(columns={col_name: col_name + '_freq'})

x_freq = dd.concat([x_freq, encoded_col], axis=1)
x_freq.head()

它会像我所期望的那样运行良好，将pandas-df添加到dask-df中——没问题。但当我尝试另一个ddf时，出现了一个错误：

x_freq = x.copy()
# npartitions = x_freq.npartitions
# x_freq = x_freq.repartition(npartitions=npartitions).reset_index(drop=True)
for col_idx, col_name in enumerate(x_freq.columns):
freq_enc = CountFrequencyEncoder(encoding_method='frequency')
col_to_encode = x_freq[col_name].to_frame().compute()
encoded_col = freq_enc.fit_transform(col_to_encode).rename(columns={col_name: col_name + '_freq'})
x_freq = dd.concat([x_freq, encoded_col], axis=1) 
break
x_freq.head()

concat:期间发生错误

ValueError: Unable to concatenate DataFrame with unknown division specifying axis=1

这就是我加载"；错误"；ddf:

ddf = dd.read_parquet(os.path.join(dir_list[0], '*.parquet'), engine='pyarrow').repartition(partition_size='100MB')

我读到我应该尝试重新分区和/或重置索引和/或使用assign。两者都不起作用。

x_freq = x.copy()

在第二个例子中类似于：

x_freq = ddf.copy()

在第一个例子中，x只是我试图编码的一些ddf，但在这里定义它需要很多代码。

有人能帮忙吗？

Answer 1

以下是我认为可能发生的事情。

拼花地板文件中可能没有分区信息。因此，不能只使用dd.concat，因为分区如何对齐尚不清楚。

您可以通过进行检查

x_freq.known_divisions # is likely False
x_freq.divisions # is likely (None, None, None, None)

由于未知的划分是问题所在，您可以使用第一个示例中的合成数据来重新创建问题

x_freq = ddf.clear_divisions().copy()

您可以通过重新设置索引来解决此问题：

x_freq.reset_index().set_index(index_column_name)

其中index_column_name是索引列的名称。

还可以考虑在之后使用正确的索引保存数据，这样就不必每次都进行计算。

注1：并行化

顺便说一句，由于您在处理每一列之前都要对其进行计算，因此您并没有真正利用dask的并行化能力。以下是一个可以更好地利用并行化的工作流：

def count_frequency_encoder(s):
return s.replace(s.value_counts(normalize=True).compute().to_dict())
frequency_columns = {
f'{col_name}_freq': count_frequency_encoder(x_freq[col_name]) 
for col_name in x_freq.columns}
x_freq = x_freq.assign(**frequency_columns)

注2:to_frame

小提示：

x_freq[col_name].to_frame()

相当于

x_freq[[col_name]]