使用dask.delayed和pandas.DataFrame将字典的dask.bag转换为dask.dataframe

Question

我正在努力将a dask.bag词典转换dask.delayed pandas.DataFrames成最终版dask.dataframe

我有一个函数（make_dict）可以将文件读入一个相当复杂的嵌套字典结构中，还有一个函数（make_df）可以将这些词典转换成一个字典pandas.DataFrame（每个文件的数据帧约为100 mb）。我想将所有数据框附加到一个中，dask.dataframe以进行进一步分析。

到目前为止，我一直在使用dask.delayed对象加载，转换和附加所有运行良好的数据（请参见下面的示例）。但是，为了将来的工作，我想将加载的字典存储在dask.bagusing中dask.persist()。

我设法将数据加载到其中dask.bag，从而生成了一系列字典或pandas.DataFrame调用后可以在本地使用的字典列表compute()。但是，当我尝试将dask.bag变成dask.dataframe使用to_delayed()时，遇到了错误（请参阅下文）。

感觉好像我在这里遗漏了一些简单的东西，或者也许我的方法dask.bag是错误的？

以下示例显示了我使用简化函数的方法，并引发了相同的错误。任何有关如何解决此问题的建议，我们深表感谢。

import numpy as np
import pandas as pd
import dask
import dask.dataframe
import dask.bag

print(dask.__version__) # 1.1.4
print(pd.__version__) # 0.24.2

def make_dict(n=1):
    return {"name":"dictionary","data":{'A':np.arange(n),'B':np.arange(n)}}

def make_df(d):
    return pd.DataFrame(d['data'])

k = [1,2,3]

# using dask.delayed
dfs = []
for n in k:
    delayed_1 = dask.delayed(make_dict)(n)
    delayed_2 = dask.delayed(make_df)(delayed_1)
    dfs.append(delayed_2)
ddf1 = dask.dataframe.from_delayed(dfs).compute() # this works as expected

# using dask.bag and turning bag of dicts into bag of DataFrames
b1 = dask.bag.from_sequence(k).map(make_dict)
b2 = b1.map(make_df)

df = pd.DataFrame().append(b2.compute()) # <- I would like to do this using delayed dask.DataFrames like above
ddf2 = dask.dataframe.from_delayed(b2.to_delayed()).compute() # <- this fails

# error:
# ValueError: Expected iterable of tuples of (name, dtype), got [   A  B
# 0  0  0]

我最终想使用分布式调度程序执行的操作：

b = dask.bag.from_sequence(k).map(make_dict)
b = b.persist()
ddf = dask.dataframe.from_delayed(b.map(make_df).to_delayed())

Answer 1

在 bag 的情况下，延迟对象指向元素列表，因此您有一个 pandas 数据帧列表的列表，这不完全是您想要的。两个建议

1. 坚持使用 dask.delayed 即可。看起来很适合你
2. 使用Bag.to_dataframe方法，该方法需要一袋字典，并自行进行数据帧转换