时间戳

首页 > 解决方案 > 如何在 dask 数据框中添加反映日期值（来自列）是否是假期成员的列

python - 如何在 dask 数据框中添加反映日期值（来自列）是否是假期成员的列

问题描述

我有一个带有日期时间（半小时分辨率）的大型时间序列数据集（3.5 亿行，15GB）。

因此，我使用 dask 来尽可能地处理和并行化。

我被困在应该是微不足道的任务中。我有一个使用假期包创建的假期日期列表：

NSWholidays = holidays.Australia(years= [2010,2011,2012,2013,2014], state='NSW')

我的 dask 数据框中有一个“日期”列。

我想添加一个名为的新列'IsWorkDay'，其中 1 将反映非节假日且从星期一到星期五的日期，0 将反映周末或节假日。

我已经尝试了几十种组合，试图找到 dask 的要求所需的语法来并行化这个，但我设法开始工作的唯一解决方案是使用 .apply ，这对于任务（多个小时）来说非常慢。简而言之，下面的行有效但太慢了：

SGSCData['IsWorkDay'] = SGSCData.apply(lambda row: int(row.weekday<6 and not row.Date in NSWholidays), axis=1, meta=(None, 'int64'))

我怎样才能让它更快？

提前致谢

标签： pythonpandasdaskpython-datetime

解决方案

首先，我不太确定你周末的逻辑。无论如何，这是我无需使用apply或map_partitions. 我dask.__version__的是1.1.1。正如您所看到的，使用与您在计算中使用的完全相同的矢量解决方案所需的pandas时间少于15sIntel(R) Core(TM) i7-7700HQ CPU @ 2.80GHz

import pandas as pd
import holidays
import dask.dataframe as dd
NSWholidays = holidays.Australia(years=list(range(2010,2021)), state='NSW')
# this is slightly more than 31.5M rows
dates = pd.date_range(start='2010-01-01', end='2020-01-01', freq="10S")
ddf = pd.DataFrame({"Date":dates})
ddf = dd.from_pandas(ddf, npartitions=10)

ddf["IsWorkDay"] = (~((ddf["Date"].dt.weekday>=5) | 
                      (ddf["Date"].dt.date.isin(NSWholidays)))).astype(int)

%%time
ddf = ddf.compute()

CPU times: user 1.07 s, sys: 1.48 s, total: 2.55 s
Wall time: 13.9 s

推荐阅读