与纯 pandas 相比，Dask map_partitions 在减少时会产生重复并给出错误的结果

Question

当我使用 map_partitions 使用 dask 进行 groupby 时，与简单的 pandas groupby 相比，我得到了重复的数据和错误的结果。但是当我使用 n_partitons=1 时，我得到了正确的结果。为什么会这样？以及如何使用多个分区并仍然获得正确的结果？

我的密码是

measurements = measurements.repartition(n_partitions=38)
measurements.map_partitions(lambda df : df.groupby(["id",df.time.dt.to_period("M"), 
"country","job"]).source.nunique()).compute().reset_index()

在pandas，我

measurements.groupby(["id",measurements.time.dt.to_period("M"), 
    "country","job"]).source.nunique().reset_index()

PS: 我在一台机器上使用本地集群。

Answer 1

当您调用 map_partitions 时，您说您要对每个分区执行该操作。鉴于每个唯一的分组值都可以出现在多个分区中，对于每个组，对于找到它的每个分区，您将获得一个条目。

如果有一种方法可以跨分区进行 groupby 并自动巧妙地合并结果，那会怎样？幸运的是，这正是 dask 所做的，您根本不需要使用 map_partitions。

measurements.groupby(...).field.nunique().compute()

与纯 pandas 相比，Dask map_partitions 在减少时会产生重复并给出错误的结果

Dask map_partitions results in duplicates when reducing and gives wrong results compared to pure pandas

python

parallel-processing

distributed-computing

pandas

dask