对于dask DataFrame,sort_values在pandas中有什么等效的替代方法?我正在尝试使用dask DataFrame来扩展一些由内存问题造成的Pandas代码。
等效方法是:
ddf.set_index([col1, col2], sorted=True)
?
在并行环境下进行排序很困难。在Dask.dataframe中,您有两个选项。
目前,您可以使用单列索引调用set_index:
In [1]: import pandas as pd
In [2]: import dask.dataframe as dd
In [3]: df = pd.DataFrame({'x': [3, 2, 1], 'y': ['a', 'b', 'c']})
In [4]: ddf = dd.from_pandas(df, npartitions=2)
In [5]: ddf.set_index('x').compute()
Out[5]:
y
x
1 c
2 b
3 a
Unfortunately dask.dataframe does not (as of November 2016) support multi-column indexes
In [6]: ddf.set_index(['x', 'y']).compute()
NotImplementedError: Dask dataframe does not yet support multi-indexes.
You tried to index with this index: ['x', 'y']
Indexes must be single columns only.
根据您提出问题的方式,我怀疑这不适用于您,但通常使用排序的情况可以通过更便宜的解决方案nlargest来解决。
In [7]: ddf.x.nlargest(2).compute()
Out[7]:
0 3
1 2
Name: x, dtype: int64
In [8]: ddf.nlargest(2, 'x').compute()
Out[8]:
x y
0 3 a
1 2 b
我更喜欢使用Dask的单个列进行set_index
,然后使用map_partitions
来分发Pandas的sort_values
# Prepare data
import dask
import dask.dataframe as dd
data = dask.datasets.timeseries()
# Sort by 'name' and 'id'
data = data.set_index('name')
data = data.map_partitions(lambda df: df.sort_values(['name', 'id']))
一个可能的问题是,单个索引值不能存在于多个分区中。但根据我的实践观察,Dask似乎不会允许这种情况发生。不过最好对此有一个更加可靠的意见。
编辑:我已在Dask dataframe: Can a single index be in multiple partitions?上提出了这个问题。
newcol = ddf.col1 + "|" + ddf.col2
ddf = ddf.assign(ind=newcol)
ddf = ddf.set_index('ind', sorted=True)
sorted=True
表示你向 Dask 承诺索引已经被排序,而并不是要求 Dask 对其进行排序。参见 https://github.com/dask/dask/issues/2388。 - goodside
nlargest
就可以正常工作了吧? - femibyte