我可以使用以下代码按列离散Pandas数据帧:
import numpy as np
import pandas as pd
def discretize(X, n_scale=1):
for c in X.columns:
loc = X[c].median()
# median absolute deviation of the column
scale = mad(X[c])
bins = [-np.inf, loc - (scale * n_scale),
loc + (scale * n_scale), np.inf]
X[c] = pd.cut(X[c], bins, labels=[-1, 0, 1])
return X
我想使用as参数离散每列:loc(列的中位数)和比例(列的median absolute deviation)。
使用小型数据帧时,所需的时间是可以接受的(因为它是单线程解决方案)。
但是,对于较大的数据帧,我想利用更多线程(或进程)来加速计算。
我不是Dask的专家,它应该为这个问题提供解决方案。
但是,在我的情况下,使用代码进行离散化应该是可行的:
import dask.dataframe as dd
import numpy as np
import pandas as pd
def discretize(X, n_scale=1):
# I'm using only 2 partitions for this example
X_dask = dd.from_pandas(X, npartitions=2)
# FIXME:
# how can I define bins to compute loc and scale
# for each column?
bins = [-np.inf, loc - (scale * n_scale),
loc + (scale * n_scale), np.inf]
X = X_dask.apply(pd.cut, axis=1, args=(bins,), labels=[-1, 0, 1]).compute()
return X
但问题是loc
和scale
依赖于列值,因此应在应用之前或期间为每列计算它们。
怎么做?
答案 0 :(得分:1)
我从未使用dask
,但我想您可以定义一个新功能,以便在apply
中使用。
import dask.dataframe as dd
import multiprocessing as mp
import numpy as np
import pandas as pd
def discretize(X, n_scale=1):
X_dask = dd.from_pandas(X.T, npartitions=mp.cpu_count()+1)
X = X_dask.apply(_discretize_series,
axis=1, args=(n_scale,),
columns=X.columns).compute().T
return X
def _discretize_series(x, n_scale=1):
loc = x.median()
scale = mad(x)
bins = [-np.inf, loc - (scale * n_scale),
loc + (scale * n_scale), np.inf]
x = pd.cut(x, bins, labels=[-1, 0, 1])
return x