dask dataframes - 时间序列分区

Question

我有一个时间序列 pandas 数据框，我想按月和年进行分区。我的想法是获取一个日期时间列表作为索引，但中断不会发生在月初 0:00 的第一天..

monthly_partitons=np.unique(df.index.values.astype('datetime64[M]')).tolist()
da=dd.from_pandas(df, npartitions=1)

如何设置索引在每个月开始？我试过 npartitions=len(monthly_partitions) 但我意识到这是错误的，因为它可能不会在开始时的日期进行分区。如何确保它在每个月的第一天进行分区？

更新：

使用 da=da.repartition(freq='1M') 将数据从 10 分钟数据重新采样为 1 分钟数据，请参见下文

Dask DataFrame Structure:
Open    High    Low Close   Vol OI  VI  
npartitions=5037050                             
2008-05-04 18:00:00 float64 float64 float64 float64 int64   int64   float64 int32
2008-05-04 18:01:00 ... ... ... ... ... ... ... ...
... ... ... ... ... ... ... ... ...
2017-12-01 16:49:00 ... ... ... ... ... ... ... ...
2017-12-01 16:50:00 ... ... ... ... ... ... ... ...
Dask Name: repartition-merge, 10074101 tasks

更新 2：

这是重现问题的代码

import pandas as pd
import datetime as dt
import dask as dsk
import numpy as np
import dask.dataframe as dd

ts=pd.date_range("2015-01-01 00:00", " 2015-05-01 23:50", freq="10min")
df = pd.DataFrame(np.random.randint(0,100,size=(len(ts),4)), columns=list('ABCD'), index=ts)
ddf=dd.from_pandas(df,npartitions=1)
ddf=ddf.repartition(freq='1M')
ddf

Answer 1

假设您的数据框已经按时间索引，您应该能够使用 repartition method 来完成此操作。

df = df.repartition(freq='1M')

在上面的 MCVE 之后编辑

（感谢您添加最小且完整的示例！）

有趣的是，这看起来像是 pandas 或 dask 中的错误。我假设 '1M' 意味着一个月，（就像 pd.date_range 中的那样）

In [12]: pd.date_range('2017-01-01', '2017-12-15', freq='1M')
Out[12]: 
DatetimeIndex(['2017-01-31', '2017-02-28', '2017-03-31', '2017-04-30',
               '2017-05-31', '2017-06-30', '2017-07-31', '2017-08-31',
               '2017-09-30', '2017-10-31', '2017-11-30'],
              dtype='datetime64[ns]', freq='M')

然而，当传递给 pd.Timedelta 时，它意味着一分钟

In [13]: pd.Timedelta('1M')
Out[13]: Timedelta('0 days 00:01:00')

In [14]: pd.Timedelta('1m')
Out[14]: Timedelta('0 days 00:01:00')

所以它挂起是因为它试图创建比您预期的多 43200 个分区:)

我们应该为此提交错误报告（您有兴趣这样做吗？）。一个短期的解决方法是自己明确指定部门。

In [17]: divisions = pd.date_range('2015-01-01', '2015-05-01', freq='1M').tolist
    ...: ()
    ...: divisions[0] = ddf.divisions[0]
    ...: divisions[-1] = ddf.divisions[-1]
    ...: ddf.repartition(divisions=divisions)
    ...: 
Out[17]: 
Dask DataFrame Structure:
                         A      B      C      D
npartitions=3                                  
2015-01-01 00:00:00  int64  int64  int64  int64
2015-02-28 00:00:00    ...    ...    ...    ...
2015-03-31 00:00:00    ...    ...    ...    ...
2015-05-01 23:50:00    ...    ...    ...    ...
Dask Name: repartition-merge, 7 tasks

Answer 2

如果您想按每个月的第一天进行分区，请使用以下命令：

ddf.repartition(freq='MS')

其中 MS 表示 月开始 。有关更多 DateOffset 对象的信息可以在 pandas docs

中找到

dask dataframes - 时间序列分区

dask dataframes -time series partitions

pandas

dask

在上面的 MCVE 之后编辑