【发布时间】：2018-09-07 00:56:50
【问题描述】：
我最近开始在 Dask 中寻找大数据。 我有一个关于有效地并行应用操作的问题。
假设我有一些这样的销售数据：
customerKey productKey transactionKey GrossSales netSales unitVolume volume transactionDate
----------- -------------- ---- --------- - -------- ---------- ------ --------
20353 189 219548 0.921058 0.921058 1 1 2017-02-01 00:00:00
2596618 189 215015 0.709997 0.709997 1 1 2017-02-01 00:00:00
30339435 189 215184 0.918068 0.918068 1 1 2017-02-01 00:00:00
32714675 189 216656 0.751007 0.751007 1 1 2017-02-01 00:00:00
39232537 189 218180 0.752392 0.752392 1 1 2017-02-01 00:00:00
41722826 189 216806 0.0160143 0.0160143 1 1 2017-02-01 00:00:00
46525123 189 219875 0.469437 0.469437 1 1 2017-02-01 00:00:00
51024667 189 215457 0.244886 0.244886 1 1 2017-02-01 00:00:00
52949803 189 215413 0.837739 0.837739 1 1 2017-02-01 00:00:00
56526281 189 220261 0.464716 0.464716 1 1 2017-02-01 00:00:00
56776211 189 220017 0.272027 0.272027 1 1 2017-02-01 00:00:00
58198475 189 215058 0.805758 0.805758 1 1 2017-02-01 00:00:00
63523098 189 214821 0.479798 0.479798 1 1 2017-02-01 00:00:00
65987889 189 217484 0.122769 0.122769 1 1 2017-02-01 00:00:00
74607556 189 220286 0.564133 0.564133 1 1 2017-02-01 00:00:00
75533379 189 217880 0.164387 0.164387 1 1 2017-02-01 00:00:00
85676779 189 215150 0.0180961 0.0180961 1 1 2017-02-01 00:00:00
88072944 189 219071 0.492753 0.492753 1 1 2017-02-01 00:00:00
90233554 189 216118 0.439582 0.439582 1 1 2017-02-01 00:00:00
91949008 189 220178 0.1893 0.1893 1 1 2017-02-01 00:00:00
91995925 189 215159 0.566552 0.566552 1 1 2017-02-01 00:00:00
我想做几个不同的 groupby，首先在 customerKey 上申请 groupby。 然后是 customerKey 上的另一个 groupby-sum，以及将作为 previos groupby 应用结果的列。
我能想到的最有效的方法是将此数据帧拆分为客户密钥块的分区。 因此，例如，我可以使用分区方案将数据帧分成 4 个块，例如（伪代码）
按 customerKey % 4 分区
然后我可以使用 map_partitions 对每个分区应用这些分组，然后最终返回结果。然而，似乎 dask 迫使我为我想做的每个 groupby 做一个随机播放。
有没有办法根据列的值重新分区？
目前，在只有约 80,000 行的数据帧上，4 个工作人员需要约 45 秒。我正计划将其扩展到数万亿行的数据帧，而这似乎已经非常可怕了。
我错过了 Dask 的基本内容吗？
【问题讨论】：
标签： python pandas dataframe dask dask-distributed