dask 数据帧 - 时间序列分区答案

【问题标题】：dask dataframes -time series partitionsdask 数据帧 - 时间序列分区
【发布时间】：2024-08-01 08:05:02
【问题描述】：

我有一个时间序列 pandas 数据框，我想按月和年进行分区。我的想法是获取一个日期时间列表，作为索引，但中断不会发生在月初的 0:00 开始..

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

如何将索引设置为从每个月开始？我试过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分区。应该如何确保它在当月的第一个日期分区？

更新：

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

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

【问题讨论】：

标签： pandas dask

【解决方案1】：

假设您的数据框已按时间编入索引，您应该能够使用 repartition method 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，这看起来像是一个错误，无论是在 pandas 还是 dask 中。我假设'1M' 意味着一个月，（就像在pd.date_range 中一样）

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pd.Timedelta 时，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')

所以它挂了，因为它试图创建的分区比你预期的要多 43200 个 :)

我们应该为此提交错误报告（您有兴趣这样做吗？）。一个短期的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

【讨论】：

我试过那个方法它挂断了需要中断来停止进程。我设置分区数时没有这个问题。好吧，分区放错了地方，我仍然能够传递 DataFrame 并处理
感谢 MCVE，它使识别和解决问题变得更加容易。在编辑中回答。
感谢您的帮助，因为我怀疑它在 timedelta 中

【解决方案2】：

如果您想按每个月的第一天进行分区，请使用以下命令：

ddf.repartition(freq='MS')

其中MS 表示月份开始。更多DateOffset对象的信息可以在pandas docs中找到

【讨论】：