python - Dask 数据帧 : Can `set_index` put a single index into multiple partitions?

Question

从经验上看，每当你set_index在 Dask 数据帧上，Dask 将始终将具有相同索引的行放入单个分区，即使这会导致严重不平衡的分区。
这是一个演示:

import pandas as pd
import dask.dataframe as dd

users = [1]*1000 + [2]*1000 + [3]*1000

df = pd.DataFrame({'user': users})
ddf = dd.from_pandas(df, npartitions=1000)

ddf = ddf.set_index('user')

counts = ddf.map_partitions(lambda x: len(x)).compute()
counts.loc[counts > 0]
# 500    1000
# 999    2000
# dtype: int64

但是，我在任何地方都找不到这种行为的保证。
我试图自己筛选代码，但放弃了。我相信这些相互关联的功能之一可能有答案:

set_index

set_partitions

rearrange_by_column

rearrange_by_column_tasks

SimpleShuffleLayer

当您 set_index , 是不是单个索引永远不能在两个不同的分区中？如果不是，那么这个属性(property)在什么条件下成立？

赏金:我将奖励来自信誉良好的来源的答案。例如，引用实现来表明这个属性必须持有。

Answer 1

is it the case that a single index can never be in two different partitions?

不，这当然是允许的。 Dask 甚至打算让这种情况发生。但是，由于 bug在 set_index ，所有数据仍将在一个分区中结束。
一个极端的例子(每一行都是相同的值，除了一个):

In [1]: import dask.dataframe as dd
In [2]: import pandas as pd
In [3]: df = pd.DataFrame({"A": [0] + [1] * 20})
In [4]: ddf = dd.from_pandas(df, npartitions=10)
In [5]: s = ddf.set_index("A")
In [6]: s.divisions
Out[6]: (0, 0, 0, 0, 0, 0, 0, 1)

如您所见，Dask 打算用于 0 s 要在多个分区之间拆分。然而，当洗牌真正发生时，所有 0 s 仍然在一个分区中结束:

In [7]: import dask
In [8]: dask.compute(s.to_delayed())  # easy way to see the partitions separately
Out[8]: 
([Empty DataFrame
  Columns: []
  Index: [],
  Empty DataFrame
  Columns: []
  Index: [],
  Empty DataFrame
  Columns: []
  Index: [],
  Empty DataFrame
  Columns: []
  Index: [],
  Empty DataFrame
  Columns: []
  Index: [],
  Empty DataFrame
  Columns: []
  Index: [],
  Empty DataFrame
  Columns: []
  Index: [0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1]],)

这是因为 code决定一行属于哪个输出分区不考虑 divisions 中的重复项.治疗 divisions作为一个系列，它使用 searchsorted 与 side="right" ，因此为什么所有数据总是在最后一个分区中结束。
问题解决后，我会更新此答案。