假设我有以下代码来生成一个虚拟的 dask 数据框:
import pandas as pd
import dask.dataframe as dd
pandas_dataframe = pd.DataFrame({'A' : [0,500,1000], 'B': [-100, 200, 300] , 'C' : [0,0,1.0] } )
test_data_frame = dd.from_pandas( pandas_dataframe, npartitions= 1 )
理想情况下,我想知道将另一列添加到数据框中的推荐方法是什么,以懒惰的方式通过滚动窗口计算列内容。
我想出了以下方法:
import numpy as np
import dask.delayed as delay
@delay
def coupled_operation_example(dask_dataframe,
list_of_input_lbls,
fcn,
window_size,
init_value,
output_lbl):
def preallocate_channel_data(vector_length, first_components):
vector_out = np.zeros(len(dask_dataframe))
vector_out[0:len(first_components)] = first_components
return vector_out
def create_output_signal(relevant_data, fcn, window_size , initiated_vec):
## to be written; fcn would be a fcn accepting the sliding window
initiatied_vec = preallocate_channel_data(len(dask_dataframe, init_value))
relevant_data = dask_dataframe[list_of_input_lbls]
my_output_signal = create_output_signal(relevant_data, fcn, window_size, initiated_vec)
我正在写这篇文章,确信 dask 数据框可以让我进行一些切片:他们没有。所以,我的第一个选择是将计算中涉及的列提取为 numpy 数组,但这样它们会被急切地评估。我认为性能上的惩罚将是显着的。目前我从 h5 数据创建 dask 数据帧,使用 h5py: 所以一切都是懒惰的,直到我写输出文件。
到目前为止,我只处理某一行的数据;所以我一直在使用:
test_data_frame .apply(fcn, axis =1, meta = float)
我认为滚动窗口没有等效的功能方法;我对吗?我想要像 F# 或 Haskell 中的 Seq.windowed。任何建议都非常感谢。
我试图通过闭包来解决它。一旦我完成了代码,我将发布一些数据的基准测试。现在我有以下玩具示例,它似乎有效:因为 dask 数据框的 apply 方法似乎保留了行顺序。
import numpy as np
import pandas as pd
import dask.dataframe as dd
number_of_components = 30
df = pd.DataFrame(np.random.randint(0,number_of_components,size=(number_of_components, 2)), columns=list('AB'))
my_data_frame = dd.from_pandas(df, npartitions = 1 )
def sumPrevious( previousState ) :
def getValue(row):
nonlocal previousState
something = row['A'] - previousState
previousState = row['A']
return something
return getValue
given_func = sumPrevious(1 )
out = my_data_frame.apply(given_func, axis = 1 , meta = float)
df['computed'] = out.compute()
现在坏消息是,我试图将它抽象出来,通过这个新函数传递状态并使用任何宽度的滚动窗口:
def generalised_coupled_computation(previous_state , coupled_computation, previous_state_update) :
def inner_function(actual_state):
nonlocal previous_state
actual_value = coupled_computation(actual_state , previous_state )
previous_state = previous_state_update(actual_state, previous_state)
return actual_value
return inner_function
假设我们用以下方法初始化函数:
init_state = df.loc[0]
coupled_computation = lambda act,prev : act['A'] - prev['A']
new_update = lambda act, prev : act
given_func3 = generalised_coupled_computation(init_state , coupled_computation, new_update )
out3 = my_data_frame.apply(given_func3, axis = 1 , meta = float)
尝试运行它并准备好迎接惊喜:第一个元素是错误的,可能是一些指针的问题,给出了奇怪的结果。任何见解?
无论如何,如果传递原始类型,它似乎可以运行。
更新:
解决方案是使用复制:
import copy as copy
def new_update(act, previous):
return copy.copy(act)
现在功能按预期运行;当然,如果需要更耦合的逻辑,则需要调整函数更新和耦合计算函数
本文收集自互联网,转载请注明来源。
如有侵权,请联系[email protected] 删除。
我来说两句