pandas - Dask：将 dask.DataFrame 转换为 xarray.Dataset

Question

这在熊猫中是可能的。

我想用 dask 来做。

编辑：在这里提出

仅供参考，您可以从xarray.Dataset 转到 Dask.DataFrame

使用.to_xarry 的熊猫解决方案：

import pandas as pd
import numpy as np

df = pd.DataFrame([('falcon', 'bird', 389.0, 2),
                   ('parrot', 'bird', 24.0, 2),
                   ('lion', 'mammal', 80.5, 4),
                   ('monkey', 'mammal', np.nan, 4)],
                  columns=['name', 'class', 'max_speed',
                           'num_legs'])

df.to_xarray()
<xarray.Dataset>
Dimensions:    (index: 4)
Coordinates:
  * index      (index) int64 0 1 2 3
Data variables:
    name       (index) object 'falcon' 'parrot' 'lion' 'monkey'
    class      (index) object 'bird' 'bird' 'mammal' 'mammal'
    max_speed  (index) float64 389.0 24.0 80.5 nan
    num_legs   (index) int64 2 2 4 4

解决方案？

import dask.dataframe as dd

ddf = dd.from_pandas(df, 1)

?

可以使用 xarray 寻找解决方案，但我认为它只有.from_dataframe。

import xarray as xr

ds = xr.Dataset()
ds.from_dataframe(ddf.compute())

标签： pandasdaskpython-xarraydask-dataframe

Answer 1

我一直在寻找类似的东西并创建了这个功能（它并不完美，但效果很好）。它还将所有 dask 数据保存为 dask 数组，以节省内存等。

import xarray as xr
import dask.dataframe as dd
        
def dask_2_xarray(ddf, indexname='index'):
     ds = xr.Dataset()
     ds[indexname] = ddf.index
     for key in ddf.columns:
         ds[key] = (indexname, ddf[key].to_dask_array().compute_chunk_sizes())
     return ds
            
# use:
ds = dask_2_xarray(ddf)

例子：

path = LOCATION TO FILE
ddf_test = dd.read_hdf(path, key="/data*", sorted_index=True, mode='r')
ds = dask_2_xarray(ddf_test, indexname="time")
ds

结果：

大部分时间都花在计算块大小上，所以如果有人知道更好的方法来做到这一点，它会更快。