dask - 使用 dask.delayed 和 pandas.DataFrame 将 dask.bag 字典转换为 dask.dataframe

Question

我正在努力转换 dask.bag将字典放入 dask.delayed pandas.DataFrames进入决赛 dask.dataframe
我有一个函数 (make_dict) 将文件读入一个相当复杂的嵌套字典结构，还有另一个函数 (make_df) 将这些字典转换为 pandas.DataFrame (生成的每个文件的数据帧约为 100 mb)。我想将所有数据帧附加到一个 dask.dataframe以供进一步分析。

到目前为止，我使用的是 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)。但是对于 future 的工作，我想将加载的字典存储在 dask.bag使用 dask.persist() .

我设法将数据加载到 dask.bag , 产生字典列表或 pandas.DataFrame 列表我可以在调用 compute() 后在本地使用.当我尝试转动 dask.bag变成 dask.dataframe使用 to_delayed()但是，我遇到了一个错误(见下文)。

感觉好像我在这里遗漏了一些相当简单的东西，或者可能是我对 dask.bag 的处理方法是错的？

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表示赞赏。

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())

Answer 1

在袋子的情况下，延迟的对象指向元素列表，所以你有一个 Pandas 数据框列表的列表，这不是你想要的。两个建议

坚持使用 dask.delayed。它似乎对你很有效

使用 Bag.to_dataframe方法，它需要一袋 dicts，并自行进行数据帧转换