问题描述
我有一个大数据集,最近被介绍给dask。我正在尝试标记每一行中的文本。 如下所示,这在熊猫中很容易做到,但是我说错了
AttributeError:当我尝试使用dask时,“ DataFrame”对象没有属性“ lower”(请参见下面的第二组代码)
import pandas as pd
import dask
import dask.dataframe as dd
def to_lower(text):
return text.lower()
df_2016 = pd.read_csv("2016_Cleaned_DroppedDup.csv")
df_2016['token2'] = df_2016['token2'].apply(lambda x: pr.to_lower(x))
使用dask:
df_2016 = dd.from_pandas(df_2016,npartitions = 4 * multiprocessing.cpu_count())
df_2016 = df.2016.map_partitions.(lambda df: df.apply(lambda x: pr.to_lower(x))).compute(scheduler = 'processes')
解决方法
我将来会建议您提供创建数据框的代码,这样就无需再猜测您的数据实际上是什么样了。但是我认为这种情况很简单。另外,我认为您提供的代码中存在语法错误,例如df.2016.map_partitions
应该为df_2016.map_partitions
。另外,不清楚代码中的pr
对象是什么。
鉴于这些错误,我只是重写了使用.str
方法在dask和pandas中的字符串上进行操作的方式,在与您的设置类似的最小工作示例中。为此,pandas和dask的语法几乎没有区别。
编辑:添加了用户提供的函数(to_lower
),以示例方式使用.apply
。
import pandas as pd
import dask.dataframe as dd
def to_lower(text):
return text.lower()
# using pandas
df_2016 = pd.DataFrame({'token2':['HI']*100 + ['YOU']*100})
df_2016['token2_low'] = df_2016['token2'].str.lower()
df_2016['token2_low_apply'] = df_2016['token2'].apply(to_lower)
df_2016
token2 token2_low token2_low_apply
0 HI hi hi
1 HI hi hi
2 HI hi hi
3 HI hi hi
4 HI hi hi
.. ... ... ...
195 YOU you you
196 YOU you you
197 YOU you you
198 YOU you you
199 YOU you you
[200 rows x 3 columns]
# using dask
ddf_2016 = dd.from_pandas(df_2016[['token2']],npartitions=10)
ddf_2016['token2_low'] = ddf_2016['token2'].str.lower()
ddf_2016['token2_low_apply'] = ddf_2016['token2'].apply(to_lower,meta=('token2','object'))
ddf_2016.compute()
token2 token2_low token2_low_apply
0 HI hi hi
1 HI hi hi
2 HI hi hi
3 HI hi hi
4 HI hi hi
.. ... ... ...
195 YOU you you
196 YOU you you
197 YOU you you
198 YOU you you
199 YOU you you
[200 rows x 3 columns]