Question

我有从Castra创建的以下dask数据框：

import dask.dataframe as dd

df = dd.from_castra('data.castra', columns=['user_id','ts','text'])

产量：

                      user_id / ts                  / text
ts
2015-08-08 01:10:00   9235      2015-08-08 01:10:00   a
2015-08-08 02:20:00   2353      2015-08-08 02:20:00   b
2015-08-08 02:20:00   9235      2015-08-08 02:20:00   c
2015-08-08 04:10:00   9235      2015-08-08 04:10:00   d
2015-08-08 08:10:00   2353      2015-08-08 08:10:00   e

我要做的是：

按user_id和ts
在3小时内重新取样
在重新采样步骤中，任何合并的行都应该连接文本

示例输出：

                                text
user_id   ts
9235      2015-08-08 00:00:00   ac
          2015-08-08 03:00:00   d
2353      2015-08-08 00:00:00   b
          2015-08-08 06:00:00   e

我尝试了以下内容：

df.groupby(['user_id','ts'])['text'].sum().resample('3H', how='sum').compute()

并收到以下错误：

TypeError: Only valid with DatetimeIndex, TimedeltaIndex or PeriodIndex

我尝试在管道中传递set_index('ts')，但它似乎不是Series的属性。

关于如何实现这一目标的任何想法？

TL; DR

如果它使问题更容易，我也能够改变我创建的Castra DB的格式。我目前的实施主要来自this伟大的帖子。

我按如下方式设置索引（在to_df()函数中）：

df.set_index('ts',drop=False,inplace=True)

并且：

  with BZ2File(os.path.join(S.DATA_DIR,filename)) as f:
     batches = partition_all(batch_size, f)
     df, frames = peek(map(self.to_df, batches))
     castra = Castra(S.CASTRA, template=df, categories=categories)
     castra.extend_sequence(frames, freq='3h')

以下是生成的dtypes：

ts                datetime64[ns]
text                      object
user_id                  float64

Answer 1

如果我们可以假设每个user-id组都可以放入内存中，那么我建议使用dask.dataframe来执行外部groupby，然后使用pandas在每个组中执行操作，如下所示。< / p>

def per_group(blk):
    return blk.groupby('ts').text.resample('3H', how='sum')

df.groupby('user_id').apply(per_group, columns=['ts', 'text']).compute()

这将两件难事分解为两个不同的项目

将所有用户ID混合到正确的组中由dask.dataframe处理
在每个组中进行复杂的日期时间重采样由pandas明确处理。

理想情况下，dask.dataframe会自动为您编写每组功能。目前，dask.dataframe不能智能地处理多索引，或者在多列groupbys之上重新采样，因此自动解决方案尚未可用。尽管如此，在使用dask.dataframe相应地准备组的同时，很有可能回退到用于每块计算的pandas。

Answer 2

尝试将您的索引转换为DatetimeIndex，如下所示：

import datetime
# ...
df.index = dd.DatetimeIndex(df.index.map(lambda x: datetime.datetime.strptime(x, '%Y-%m-%d %H:%M:%S')))
# ...

Dask DataFrame：对具有多行的groupby对象进行重新取样

2 个答案: