Dask：将 dask.DataFrame 转换为 xarray.Dataset

Question

这在熊猫中是可能的。

我想用 dask 来做。

编辑：提早here

仅供参考，您可以通过 xarray.Dataset to a Dask.DataFrame 访问

使用.to_xarry 的熊猫解决方案：

import pandas as pd
import numpy as np

df = pd.DataFrame([('falcon', 'bird', 389.0, 2),
                   ('parrot', 'bird', 24.0, 2),
                   ('lion', 'mammal', 80.5, 4),
                   ('monkey', 'mammal', np.nan, 4)],
                  columns=['name', 'class', 'max_speed',
                           'num_legs'])

df.to_xarray()
<xarray.Dataset>
Dimensions:    (index: 4)
Coordinates:
  * index      (index) int64 0 1 2 3
Data variables:
    name       (index) object 'falcon' 'parrot' 'lion' 'monkey'
    class      (index) object 'bird' 'bird' 'mammal' 'mammal'
    max_speed  (index) float64 389.0 24.0 80.5 nan
    num_legs   (index) int64 2 2 4 4

Dask 解决方案？

import dask.dataframe as dd

ddf = dd.from_pandas(df, 1)

?

可以使用 xarray 寻找解决方案，但我认为它只有 .from_dataframe。

import xarray as xr

ds = xr.Dataset()
ds.from_dataframe(ddf.compute())

Answer 1

所以这是可能的，我在这里做了一个 PR 来实现它 - https://github.com/pydata/xarray/pull/4659

提供Dataset.from_dask_dataframe和DataArray.from_dask_series两种方法。

尚未合并的主要原因是我们试图用尽可能少的 dask 计算来计算块大小。

在这些问题中有更多上下文：https://github.com/pydata/xarray/issues/4650、https://github.com/pydata/xarray/issues/3929

Answer 2

我一直在寻找类似的东西并创建了这个功能（它并不完美，但效果很好）。 它还将所有 dask 数据保存为 dask 数组，从而节省内存等。

import xarray as xr
import dask.dataframe as dd
        
def dask_2_xarray(ddf, indexname='index'):
     ds = xr.Dataset()
     ds[indexname] = ddf.index
     for key in ddf.columns:
         ds[key] = (indexname, ddf[key].to_dask_array().compute_chunk_sizes())
     return ds
            
# use:
ds = dask_2_xarray(ddf)

示例：

path = LOCATION TO FILE
ddf_test = dd.read_hdf(path, key="/data*", sorted_index=True, mode='r')
ds = dask_2_xarray(ddf_test, indexname="time")
ds

结果：

大部分时间都花在计算块的大小上，所以如果有人知道更好的方法，它会更快。

Answer 3

此方法当前不存在。如果您认为它应该存在，那么我鼓励您提出 github 问题作为功能请求。不过，您可能想标记一些 Xarray 人。