dask API说,map_partition可用于“在每个DataFrame分区上应用Python函数”。根据这个描述并根据“map”的通常行为,我希望map_partitions的返回值是(类似的)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,关于以下代码,我不确定,返回值取决于:
#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个用于分区)和一个输出len == 3且类型为pd.Series。pd.DataFrame({'A': [1]})
会生成相同的数字,但结果类型为pd.DataFrame。VAL = None
会导致TypeError ...为什么?无法使用map_partitions来执行某些内容而不是返回某些内容?VAL = 1
只会产生2个函数调用。 map_partitions的结果是整数1。因此,我想问一些问题:
答案 0 :(得分:1)
Dask DataFrame.map_partitions函数根据映射函数的输出类型返回一个新的Dask Dataframe或Series。有关详细说明,请参阅API documentation。
如何确定map_partitions的返回值?
请参阅上面提到的API文档。
除了分区数量之外,还有什么影响函数调用的数量/每个分区要调用一次函数的标准是什么?
您确定我们立即调用它一次以猜测输出的dtypes /列。您可以直接指定meta=
关键字来避免这种情况。除此之外,每个分区调用一次函数。
函数的返回值应该是什么,只有""什么东西,即程序?
您始终可以返回空数据框。您可能还需要考虑将数据帧转换为dask.delayed个对象序列,这些对象通常更常用于临时计算。
如何设计一个返回任意对象的函数?
如果您的功能没有返回系列/数据框,那么我建议您使用dask.delayed方法将数据框转换为一系列DataFrame.to_delayed个对象。