我正在努力转换dask.bag
的字典到dask.delayed
pandas.DataFrames
进入决赛dask.dataframe
我有一个函数(make_dict)将文件读入相当复杂的嵌套字典结构,另一个函数(make_df)将这些字典转换为pandas.DataFrame
(每个文件生成的数据帧约为 100 mb)。我想将所有数据帧附加到一个单一的dask.dataframe
以供进一步分析。
到目前为止我一直在使用dask.delayed
对象来加载、转换和附加所有工作正常的数据(参见下面的示例)。然而,对于未来的工作,我想将加载的字典存储在dask.bag
using dask.persist()
.
我设法将数据加载到dask.bag
,产生一个字典列表或列表pandas.DataFrame
我可以在调用后在本地使用compute()
。当我尝试转动dask.bag
into a dask.dataframe
using to_delayed()
但是,我遇到了一个错误(见下文)。
感觉我在这里错过了一些相当简单的东西,或者也许是我的方法dask.bag
是错的?
下面的示例显示了我使用简化函数的方法并引发了相同的错误。任何有关如何解决此问题的建议都将受到赞赏。
import numpy as np
import pandas as pd
import dask
import dask.dataframe
import dask.bag
print(dask.__version__) # 1.1.4
print(pd.__version__) # 0.24.2
def make_dict(n=1):
return {"name":"dictionary","data":{'A':np.arange(n),'B':np.arange(n)}}
def make_df(d):
return pd.DataFrame(d['data'])
k = [1,2,3]
# using dask.delayed
dfs = []
for n in k:
delayed_1 = dask.delayed(make_dict)(n)
delayed_2 = dask.delayed(make_df)(delayed_1)
dfs.append(delayed_2)
ddf1 = dask.dataframe.from_delayed(dfs).compute() # this works as expected
# using dask.bag and turning bag of dicts into bag of DataFrames
b1 = dask.bag.from_sequence(k).map(make_dict)
b2 = b1.map(make_df)
df = pd.DataFrame().append(b2.compute()) # <- I would like to do this using delayed dask.DataFrames like above
ddf2 = dask.dataframe.from_delayed(b2.to_delayed()).compute() # <- this fails
# error:
# ValueError: Expected iterable of tuples of (name, dtype), got [ A B
# 0 0 0]
我最终想使用分布式调度程序做什么:
b = dask.bag.from_sequence(k).map(make_dict)
b = b.persist()
ddf = dask.dataframe.from_delayed(b.map(make_df).to_delayed())