聚合 Dask 数据框并生成聚合数据框

Question

我有一个如下所示的 Dask 数据框：

url     referrer    session_id ts                  customer
url1    ref1        xxx        2017-09-15 00:00:00 a.com
url2    ref2        yyy        2017-09-15 00:00:00 a.com
url2    ref3        yyy        2017-09-15 00:00:00 a.com
url1    ref1        xxx        2017-09-15 01:00:00 a.com
url2    ref2        yyy        2017-09-15 01:00:00 a.com

我想根据 url 和时间戳对数据进行分组，聚合列值并生成一个如下所示的数据框：

customer url    ts                  page_views visitors referrers
a.com    url1   2017-09-15 00:00:00 1          1        [ref1]
a.com    url2   2017-09-15 00:00:00 2          2        [ref2, ref3]

在 Spark SQL 中，我可以这样做：

select 
    customer,
    url,
    ts,
    count(*) as page_views,
    count(distinct(session_id)) as visitors,
    collect_list(referrer) as referrers
from df
group by customer, url, ts

有什么方法可以使用 Dask 数据帧来实现吗？我试过了，但我只能单独计算聚合列，如下：

# group on timestamp (rounded) and url
grouped = df.groupby(['ts', 'url'])

# calculate page views (count rows in each group)
page_views = grouped.size()

# collect a list of referrer strings per group
referrers = grouped['referrer'].apply(list, meta=('referrers', 'f8'))

# count unique visitors (session ids)
visitors = grouped['session_id'].count()

但我似乎找不到生成我需要的组合数据框的好方法。

Answer 1

以下确实有效：

gb = df.groupby(['customer', 'url', 'ts'])
gb.apply(lambda d: pd.DataFrame({'views': len(d), 
     'visitiors': d.session_id.count(), 
     'referrers': [d.referer.tolist()]})).reset_index()

（假设访问者按照上面的 sql 应该是唯一的）您可能希望定义输出的 meta。

Answer 2

这是@j-bennet打开的link to the github issue，提供了一个额外的选项。基于这个问题我们实现聚合如下：
custom_agg = dd.Aggregation( 'custom_agg', lambda s: s.apply(set), lambda s: s.apply(lambda chunks: list(set(itertools.chain.from_iterable(chunks)))), ).
为了结合计数代码如下
dfgp = df.groupby(['ID1','ID2']) df2 = dfgp.assign(cnt=dfgp.size()).agg(custom_agg).reset_index()

聚合 Dask 数据框并生成聚合数据框

Aggregate a Dask dataframe and produce a dataframe of aggregates

group-by

aggregation

dask