时间戳

首页 > 解决方案 > 向 dask 数据框添加一列，通过滚动窗口计算它

python - 向 dask 数据框添加一列，通过滚动窗口计算它

问题描述

假设我有以下代码来生成一个虚拟的 dask 数据帧：

import pandas as pd
import dask.dataframe as dd
pandas_dataframe = pd.DataFrame({'A' : [0,500,1000], 'B': [-100, 200, 300]  , 'C' : [0,0,1.0] } )    
test_data_frame = dd.from_pandas( pandas_dataframe, npartitions= 1  )

理想情况下，我想知道向数据框中添加另一列的推荐方法是什么，通过滚动窗口以惰性方式计算列内容。

我想出了以下方法：

import numpy as np
import dask.delayed as delay

@delay
def coupled_operation_example(dask_dataframe, 
                              list_of_input_lbls, 
                              fcn, 
                              window_size, 
                              init_value, 
                              output_lbl):

    def preallocate_channel_data(vector_length, first_components):
        vector_out = np.zeros(len(dask_dataframe))
        vector_out[0:len(first_components)] = first_components
        return vector_out

    def create_output_signal(relevant_data, fcn, window_size , initiated_vec):

       ## to be written; fcn would be  a fcn accepting the sliding window


    initiatied_vec = preallocate_channel_data(len(dask_dataframe, init_value))
    relevant_data = dask_dataframe[list_of_input_lbls]
    my_output_signal = create_output_signal(relevant_data, fcn, window_size, initiated_vec)

我正在写这篇文章，确信 dask 数据框将允许我进行一些切片：他们没有。因此，我的第一个选择是将计算中涉及的列提取为 numpy 数组，但它们会被热切地评估。我认为性能上的损失将是巨大的。目前我使用 h5py 从 h5 数据创建 dask 数据帧：所以一切都是惰性的，直到我编写输出文件。

到目前为止，我只处理某一行的数据；所以我一直在使用：

 test_data_frame .apply(fcn, axis =1, meta = float)

我认为滚动窗口没有等效的功能方法；我对吗？我想要 F# 或 Haskell 中的 Seq.windowed 之类的东西。任何建议高度赞赏。

标签： pythonpandasnumpydaskrolling-computation

解决方案

我试图通过关闭来解决它。一旦我完成了代码，我将发布一些数据的基准测试。现在我有以下玩具示例，它似乎有效：因为 dask 数据框的应用方法似乎保留了行顺序。

import numpy as np
import pandas as pd
import dask.dataframe as dd
number_of_components = 30


df = pd.DataFrame(np.random.randint(0,number_of_components,size=(number_of_components, 2)), columns=list('AB'))
my_data_frame = dd.from_pandas(df, npartitions = 1 )


def sumPrevious( previousState ) :

     def getValue(row):
        nonlocal previousState 
        something = row['A'] - previousState 
        previousState = row['A']
        return something

     return getValue


given_func = sumPrevious(1 )
out = my_data_frame.apply(given_func, axis = 1 , meta = float)
df['computed'] = out.compute()

现在坏消息是，我试图通过这个新函数将它抽象出来，传递状态并使用任意宽度的滚动窗口：

def generalised_coupled_computation(previous_state , coupled_computation, previous_state_update) :

    def inner_function(actual_state):
        nonlocal previous_state
        actual_value = coupled_computation(actual_state , previous_state  )
        previous_state = previous_state_update(actual_state, previous_state)
        return actual_value

    return inner_function

假设我们用以下方式初始化函数：

init_state = df.loc[0] 
coupled_computation  = lambda act,prev : act['A'] - prev['A']
new_update = lambda act, prev : act
given_func3 = generalised_coupled_computation(init_state , coupled_computation, new_update )
out3 = my_data_frame.apply(given_func3, axis = 1 , meta = float)

尝试运行它并为意外做好准备：第一个元素是错误的，可能是一些指针的问题，给定奇怪的结果。有什么见解吗？

无论如何，如果一个人通过原始类型，它似乎可以工作。

更新：

the solution is in using copy:

import copy as copy

def new_update(act, previous):
    return copy.copy(act)

Now the functions behaves as expected; of course it is necessary to adapt the function updates and the coupled computation function if one needs a more coupled logic

推荐阅读