【发布时间】:2019-07-28 23:39:41
【问题描述】:
我正在使用 dask 读取大型 csv 数据文件,并尝试对生成的数据帧执行 groupby。但是,我继续收到
KeyError: '未找到列:0'
在生成的 dask 数据帧上
我已经在 Dask 1.2.2 和 2.1.0 上复制了这个问题。我在同一个数据帧上看不到 Pandas 的问题。我在所有情况下都使用 Python 3.6
为了帮助说明问题,我已经能够简化代码并将问题复制到更简单的数据集上。
import pandas as pd
from dask import dataframe as dd
from dask import multiprocessing
from dask.distributed import Client
client = Client(processes=False)
data = {
'col1': [1, 1, 1, 2, 2, 2, 3, 3, 3],
'col2': ['apple','bananna','orange','apple','bananna','orange','apple','bananna','orange'],
'col3': [34, 12, 1, 36, 22, 6, 22, 16, 4]
}
pdf = pd.DataFrame(data=data)
print('************* Pandas DataFrame')
print(pdf.head(5))
print('')
print('Performing groupby on Pandas DataFrame')
pgroup = pdf.groupby(by='col2')
for name, group in pgroup:
print('')
print(f'Group: {name}')
print(group.head(5))
print(' ')
print(' ')
ddf = dd.from_pandas(data=pdf, npartitions=1)
print('************* Dask DataFrame')
print(ddf.head(5))
print('')
print('Performing groupby on Dask DataFrame')
dgroup = ddf.groupby(by='col2')
for name, group in dgroup:
print('')
print(f'Group: {name}')
print(group.head(5))
我本来希望 dask 数据框提供与 Pandas 结果相同的 groupby 结果。但是,我收到以下输出和错误
************* Pandas DataFrame
col1 col2 col3
0 1 apple 34
1 1 bananna 12
2 1 orange 1
3 2 apple 36
4 2 bananna 22
Performing groupby on Pandas DataFrame
Group: apple
col1 col2 col3
0 1 apple 34
3 2 apple 36
6 3 apple 22
Group: bananna
col1 col2 col3
1 1 bananna 12
4 2 bananna 22
7 3 bananna 16
Group: orange
col1 col2 col3
2 1 orange 1
5 2 orange 6
8 3 orange 4
************* Dask DataFrame
col1 col2 col3
0 1 apple 34
1 1 bananna 12
2 1 orange 1
3 2 apple 36
4 2 bananna 22
Performing groupby on Dask DataFrame
Traceback (most recent call last):
File "C:\Users\Craig\source\repos\cevans3098\MarketData_preProcessor\module1.py", line 37, in <module>
for name, group in dgroup:
File "F:\anaconda3\lib\site-packages\dask\dataframe\groupby.py", line 1525, in __getitem__
g._meta = g._meta[key]
File "F:\anaconda3\lib\site-packages\pandas\core\base.py", line 275, in __getitem__
raise KeyError("Column not found: {key}".format(key=key))
KeyError: 'Column not found: 0'
【问题讨论】:
-
你能显示
dgroup的输出吗 -
@Akaisteph7 谢谢你的提问。我认为 groupby 导致了错误,但该调用实际上通过了。失败的是 dgroup 中的 name、group 语句。 dgroup 类型是 dask.dataframe.groupby.DataFrameGroupBy 对象。我只需要弄清楚如何检索 groupby 生成的各个组。有任何想法吗? for 语句似乎不起作用
-
我认为stackoverflow.com/questions/39731098/…中讨论了同样的问题
-
一般建议:首先在 pandas 中为您的 csv 取样,然后尝试您要在 apply 中使用的功能,记下 meta 然后在 dask 中使用。
标签: python pandas dataframe dask dask-distributed