如何有效地在dask中使用pandas.cut（）（或等效的）？

Question

在Dask中是否有等效的pandas.cut（）？

我尝试在Python中对大型数据集进行bin和分组。它是具有特性（位置X，位置Y，能量，时间）的测量电子列表。我需要将它分配到positionX，positionY并在能量类中进行分箱。

到目前为止，我可以用熊猫来做，但我想并行运行它。所以，我尝试使用dask。

groupby方法非常有效，但遗憾的是，在尝试 bin 能量数据时遇到了困难。我找到了一个使用pandas.cut（）的解决方案，但它需要在原始数据集上调用compute（）（将其转换为非并行代码）。是否有与dask中的pandas.cut（）等效，还是有另一种（优雅）方式来实现相同的功能？

import dask 
# create dask dataframe from the array
dd = dask.dataframe.from_array(mainArray, chunksize=100000, columns=('posX','posY', 'time', 'energy'))

# Set the bins to bin along energy
bins = range(0, 10000, 500)

# Create the cut in energy (using non-parallel pandas code...)
energyBinner=pandas.cut(dd['energy'],bins)

# Group the data according to posX, posY and energy
grouped = dd.compute().groupby([energyBinner, 'posX', 'posY'])

# Apply the count() method to the data:
numberOfEvents = grouped['time'].count()

非常感谢！

Answer 1

您应该能够dd['energy'].map_partitions(pd.cut, bins)。