Dask + Pandas：返回一系列条件虚拟对象

Question

在 Pandas 中，如果我想创建一列条件虚拟变量（如果变量等于字符串则为 1，否则为 0），那么我在 pandas 中的转到是:

data["ebt_dummy"] = np.where((data["paymenttypeid"]=='ebt'), 1, 0)

天真地在 dask 数据帧中尝试此操作会引发错误。遵循 map_partitions 文档中的说明也会引发错误：

data = data.map_partitions(lambda df: df.assign(ebt_dummy = np.where((df["paymenttypeid"]=='ebt'), 1, 0)),  meta={'paymenttypeid': 'str', 'ebt_dummy': 'i8'})

执行此操作的好方法或最 Dask-thonic 方法是什么？

Answer 1

这里有一些示例数据可供使用：

In [1]:
df = pd.DataFrame(np.transpose([np.random.choice(['ebt','other'], (10)),
              np.random.rand(10)]), columns=['paymenttypeid','other'])

df

Out[1]:

  paymenttypeid                 other
0         other    0.3130770966143612
1         other    0.5167434068096931
2           ebt    0.7606898392115471
3           ebt    0.9424572692382547
4           ebt     0.624282017575857
5           ebt    0.8584841824784487
6         other    0.5017083765654611
7         other  0.025994123211164233
8           ebt   0.07045354449612984
9           ebt   0.11976351556850084

让我们将其转换为数据帧

In [2]: data = dd.from_pandas(df, npartitions=2)

并使用apply（在系列上）分配：

In [3]:
data['ebt_dummy'] = data.paymenttypeid.apply(lambda x: 1 if x =='ebt' else 0, meta=('paymenttypeid', 'str'))
data.compute()

Out [3]:
  paymenttypeid                 other  ebt_dummy
0         other    0.3130770966143612          0
1         other    0.5167434068096931          0
2           ebt    0.7606898392115471          1
3           ebt    0.9424572692382547          1
4           ebt     0.624282017575857          1
5           ebt    0.8584841824784487          1
6         other    0.5017083765654611          0
7         other  0.025994123211164233          0
8           ebt   0.07045354449612984          1
9           ebt   0.11976351556850084          1

更新：

看来你传递的 meta 是问题所在，因为这个有效：

data = data.map_partitions(lambda df: df.assign(
                                    ebt_dummy = np.where((df["paymenttypeid"]=='ebt'), 1, 0)))

data.compute()

在我的示例中，如果我想指定 meta，我将必须传递当前 data 的数据类型，而不是我分配后期望的数据类型：

data.map_partitions(lambda df: df.assign(
                                    ebt_dummy = np.where((df["paymenttypeid"]=='ebt'), 1, 0)), 
               meta={'paymenttypeid': 'str', 'other': 'float64'})

Answer 2

这对我也有用：

data['ebt_dummy'] = dd.from_array(np.where((df["paymenttypeid"]=='ebt'), 1, 0))

Dask + Pandas：返回一系列条件虚拟对象

Dask + Pandas: Returning a sequence of conditional dummies

python

bigdata

pandas

dummy-variable

dask