map_partitions 的返回值是多少？

Question

dask API 说， map_partition 可用于“在每个 DataFrame 分区上应用 Python 函数”。根据这个描述和“map”的通常行为，我希望 map_partitions 的返回值是（类似于）一个长度等于分区数的列表。列表的每个元素都应该是函数调用的返回值之一。

但是，对于以下代码，我不确定返回值取决于什么：

#generate example dataframe
pdf = pd.DataFrame(np.random.randint(0,100,size=(100, 4)), columns=list('ABCD'))
ddf = dd.from_pandas(pdf, npartitions=3)

#define helper function for map. VAL is the return value
VAL = pd.Series({'A': 1})
#VAL = pd.DataFrame({'A': [1]}) #other return values used in this example
#VAL = None
#VAL = 1
def helper(x):
    print('function called\n')
    return VAL

#check result
out = ddf.map_partitions(helper).compute()
print(len(out))

• VAL = pd.Series({'A': 1}) 导致 4 个函数调用（可能一个用于推断 dtype，3 个用于推断分区）和一个 len == 3 和 pd.Series 类型的输出。
• pd.DataFrame({'A': [1]}) 结果相同的数字，但结果类型是 pd.DataFrame。
• VAL = None导致 TypeError ......为什么？无法一个可能的用途map_partitions的是做什么，而不是返回的东西吗？
• VAL = 1结果只有 2 个函数调用。map_partitions 的结果是整数 1。

因此，我想问几个问题：

1. map_partitions 的返回值是如何确定的？
2. 除了分区数量之外，还有什么影响函数调用的数量/每个分区调用一次的函数需要满足什么条件？
3. 一个函数的返回值应该是什么，只“做”某事，即一个过程？
4. 应该如何设计一个返回任意对象的函数？

Answer 1

Dask DataFrame.map_partitions函数根据映射函数的输出类型返回新的 Dask Dataframe 或 Series。请参阅API 文档以获取完整的说明。

1. map_partitions的返回值是如何确定的？

   请参阅上面提到的 API 文档。

2. 除了分区数量之外，还有哪些因素影响函数调用的数量/每个分区调用一次函数需要满足什么标准？

   你是对的，我们立即调用它一次来猜测输出的数据类型/列。您可以通过meta=直接指定关键字来避免这种情况。除此之外，每个分区都会调用该函数一次。

3. 一个只“做”某事的函数（即过程）的返回值应该是什么？

   您始终可以返回一个空数据框。您可能还需要考虑将数据帧转换为一系列dask.delayed对象，这些对象通常更常用于临时计算。

4. 应该如何设计一个返回任意对象的函数？

   如果您的函数不返回系列/数据帧，那么我建议使用DataFrame.to_delayed方法将数据帧转换为dask.delayed对象序列。