Dask数据框中的多个聚合用户定义函数

Question

我正在使用 Dask 处理数据集（考虑到它不适合内存），我想根据列及其类型使用不同的聚合函数对实例进行分组。

Dask 有一组用于数值数据类型的默认聚合函数，但不适用于字符串/对象。有没有办法为字符串实现用户定义的聚合函数，有点类似于下面的示例？

atts_to_group = {'A', 'B'}
agg_fn = {
  'C': 'mean'  #int
  'D': 'concatenate_fn1'  #string - No default fn for strings - Doesn't work
  'E': 'concatenate_fn2'  #string
}
ddf = ddf.groupby(atts_to_group).agg(agg_fn).compute().reset_index()

此时，我可以在删除不相关的列/行时读取内存中的整个数据集，但我更喜欢在 Dask 中继续处理，因为它可以更快地执行所需的操作。

编辑： 尝试将自定义函数直接添加到字典中：

def custom_concat(df):
    ...
    return df_concatd

agg_fn = {
  'C': 'mean'  #int
  'D': custom_concat(df)
}

-------------------------------------------------------
ValueError: unknown aggregate Dask DataFrame Structure:

Answer 1

Realised Dask 提供Aggregation data structure。自定义聚合可以如下完成：

# Concatenates the strings and separates them using ","
custom_concat = dd.Aggregation('custom_sum', lambda x: ",".join(str(x)), lambda x0: ",".join(str(x0)))
custom_concat_E = ...

atts_to_group = {'A', 'B'}
agg_fn = {
  'C': 'mean'  #int
  'D': custom_concat_D
  'E': custom_concat_E
}
ddf = ddf.groupby(atts_to_group).agg(agg_fn).compute().reset_index()

这也可以使用 Dataframe.apply 来完成，以获得更简洁的解决方案

def agg_fn(x):
    return pd.Series(
        dict(
            C = x['C'].mean(), # int
            D = "{%s}" % ', '.join(x['D']), # string (concat strings)
            E = ...
        )
    )

ddf = ddf.groupby(atts_to_group).apply(agg_fn).compute().reset_index