Применить функцию к сгруппированному фрейму данных в Dask: Как указать сгруппированный фрейм данных в качестве аргумента в функции?

у меня есть dask dataframe сгруппировать по индексу (first_name).

import pandas as pd
import numpy as np

from multiprocessing import cpu_count

from dask import dataframe as dd
from dask.multiprocessing import get 
from dask.distributed import Client


NCORES = cpu_count()
client = Client()

entities = pd.DataFrame({'first_name':['Jake','John','Danae','Beatriz', 'Jacke', 'Jon'],'last_name': ['Del Toro', 'Foster', 'Smith', 'Patterson', 'Toro', 'Froster'], 'ID':['X','U','X','Y', '12','13']})

df = dd.from_pandas(entities, npartitions=NCORES)
df = client.persist(df.set_index('first_name'))

(очевидно entities в реальной жизни-это несколько тысяч строк)

я хочу применить пользовательскую функцию к каждому сгруппированному фрейму данных. Я хочу сравнить каждую строку с другими строками в группе (что-то вроде панды сравнивают каждую строку со всеми строками в фрейме данных и сохраняют результаты в списке для каждой строки).

следующая функция, которую я пытаюсь чтобы применить:

def contraster(x, DF):
    matches = DF.apply(lambda row: fuzz.partial_ratio(row['last_name'], x) >= 50, axis = 1) 
    return [i for i, x in enumerate(matches) if x]

Для теста entities фрейм данных, вы можете применить функцию как обычно:

entities.apply(lambda row: contraster(row['last_name'], entities), axis =1)

и ожидаемый результат:

Out[35]: 
0    [0, 4]
1    [1, 5]
2       [2]
3       [3]
4    [0, 4]
5    [1, 5]
dtype: object

, когда entities огромен, решение использовать dask. Обратите внимание, что DF на contraster функция должна быть группированным фреймом данных.

я пытаюсь использовать следующее:

df.groupby('first_name').apply(func=contraster, args=????)

но как я должен указать сгруппированный фрейм данных (т. е. DF in contraster?)

17
dask pandas python

2 ответов

С небольшим количеством догадок, я думаю, что следующее-Это то, что вам нужно.

def mapper(d):

    def contraster(x, DF=d):
        matches = DF.apply(lambda row: fuzz.partial_ratio(row['last_name'], x) >= 50, axis = 1)
        return [d.ID.iloc[i] for i, x in enumerate(matches) if x]
    d['out'] = d.apply(lambda row: 
        contraster(row['last_name']), axis =1)
    return d

df.groupby('first_name').apply(mapper).compute()

применить к вашим данным, Вы получаете:

   ID first_name  last_name   out
2   X      Danae      Smith   [X]
4  12      Jacke       Toro  [12]
0   X       Jake   Del Toro   [X]
1   U       John     Foster   [U]
5  13        Jon    Froster  [13]
3   Y    Beatriz  Patterson   [Y]

т. е., потому что вы группируетесь по "имя", каждая группа содержит только один элемент, который соответствует только себе.

Если, однако, у вас есть некоторые "имя" значения, которые были в нескольких строках, вы получите совпадения:

entities = pd.DataFrame(
    {'first_name':['Jake','Jake', 'Jake', 'John'],
     'last_name': ['Del Toro', 'Toro', 'Smith'
                   'Froster'],
     'ID':['Z','U','X','Y']})

выход:

  ID first_name last_name     out
0  Z       Jake  Del Toro  [Z, U]
1  U       Jake      Toro  [Z, U]
2  X       Jake     Smith     [X]
3  Y       John   Froster     [Y]

если вам не требуется точно совпадает с "имя", тогда, возможно, вам нужно отсортировать / установить индекс по first_name и использовать map_partitions аналогично. В таком случае вам придется пересмотреть свой вопрос.

3

функция, которую вы предоставляете groupby-apply, должна принимать фрейм данных или серию Pandas в качестве входных данных и в идеале возвращать одно (или скалярное значение) в качестве выходных данных. Дополнительные параметры в порядке, но они должны быть вторичными, а не первым аргументом. Это то же самое как в панд и dask dataframe.

def func(df, x=None):
    # do whatever you want here
    # the input to this function will have all the same first name
    return pd.DataFrame({'x': [x] * len(df),
                         'count': len(df),
                         'first_name': df.first_name})

затем вы можете позвонить df.groupby как обычно

import pandas as pd
import dask.dataframe as dd

df = pd.DataFrame({'first_name':['Alice', 'Alice', 'Bob'],
                   'last_name': ['Adams', 'Jones', 'Smith']})

ddf = dd.from_pandas(df, npartitions=2)

ddf.groupby('first_name').apply(func, x=3).compute()

это приведет к тому же выходу в панд или ДАСК.таблицы данных

   count first_name  x
0      2      Alice  3
1      2      Alice  3
2      1        Bob  3
8