dask 数据帧 - 时间序列分区

Question

我有一个时间序列熊猫数据框，我想按月和年进行分区。我的想法是获取可用作索引的日期时间列表，但中断不会发生在本月第一天的 0:00 开始。

monthly_partitons=np.unique(df.index.values.astype('datetime64[M]')).tolist()
da=dd.from_pandas(df, npartitions=1)

如何将索引设置为每个月开始？我试过了，npartitions=len(monthly_partitions)但我意识到这是错误的，因为它可能不会在开始时的日期进行分区。应该如何确保它在该月的第一个日期分区？

更新：

使用da=da.repartition(freq='1M') 从 10 分钟数据重新采样到 1 分钟数据的数据见下文

Dask DataFrame Structure:
Open    High    Low Close   Vol OI  VI  
npartitions=5037050                             
2008-05-04 18:00:00 float64 float64 float64 float64 int64   int64   float64 int32
2008-05-04 18:01:00 ... ... ... ... ... ... ... ...
... ... ... ... ... ... ... ... ...
2017-12-01 16:49:00 ... ... ... ... ... ... ... ...
2017-12-01 16:50:00 ... ... ... ... ... ... ... ...
Dask Name: repartition-merge, 10074101 tasks

更新 2：

这是重现问题的代码

import pandas as pd
import datetime as dt
import dask as dsk
import numpy as np
import dask.dataframe as dd

ts=pd.date_range("2015-01-01 00:00", " 2015-05-01 23:50", freq="10min")
df = pd.DataFrame(np.random.randint(0,100,size=(len(ts),4)), columns=list('ABCD'), index=ts)
ddf=dd.from_pandas(df,npartitions=1)
ddf=ddf.repartition(freq='1M')
ddf

Answer 1

假设您的数据帧已经按时间索引，您应该能够使用重新分区方法来完成此操作。

df = df.repartition(freq='1M')

在上面的 MCVE 之后编辑

（感谢您添加最小且完整的示例！）

有趣的是，这看起来像是 pandas 或 dask 中的错误。我认为这'1M'意味着一个月，（正如它在 中所做的那样pd.date_range）

In [12]: pd.date_range('2017-01-01', '2017-12-15', freq='1M')
Out[12]: 
DatetimeIndex(['2017-01-31', '2017-02-28', '2017-03-31', '2017-04-30',
               '2017-05-31', '2017-06-30', '2017-07-31', '2017-08-31',
               '2017-09-30', '2017-10-31', '2017-11-30'],
              dtype='datetime64[ns]', freq='M')

然而，当传递给 时pd.Timedelta，它意味着一分钟

In [13]: pd.Timedelta('1M')
Out[13]: Timedelta('0 days 00:01:00')

In [14]: pd.Timedelta('1m')
Out[14]: Timedelta('0 days 00:01:00')

所以它挂起是因为它试图创建比您预期多大约 43200 个分区:)

我们应该为此提交一份错误报告（您有兴趣这样做吗？）。短期解决方法是自己明确指定部门。

In [17]: divisions = pd.date_range('2015-01-01', '2015-05-01', freq='1M').tolist
    ...: ()
    ...: divisions[0] = ddf.divisions[0]
    ...: divisions[-1] = ddf.divisions[-1]
    ...: ddf.repartition(divisions=divisions)
    ...: 
Out[17]: 
Dask DataFrame Structure:
                         A      B      C      D
npartitions=3                                  
2015-01-01 00:00:00  int64  int64  int64  int64
2015-02-28 00:00:00    ...    ...    ...    ...
2015-03-31 00:00:00    ...    ...    ...    ...
2015-05-01 23:50:00    ...    ...    ...    ...
Dask Name: repartition-merge, 7 tasks