如何使用 Dask 对字符串使用函数？

Question

我有一个大数据集，最近被介绍到 Dask。我正在尝试标记每一行中的文本。这在 pandas 中很容易做到，如下所示，但我有一个错误说

AttributeError: 'DataFrame' object has no attribute 'lower' when I try use Dask (see the second group of codes below)

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')

Answer 1

我建议将来提供创建数据框的代码，这样就没有人需要猜测您的数据实际是什么样的。但我认为这个案子很简单。另外，我认为您提供的代码中存在语法错误，例如 df.2016.map_partitions 应该是 df_2016.map_partitions。此外，不清楚 pr 对象在您的代码中是什么。

鉴于这些错误，我只是在与您的设置类似的最小工作示例中使用 .str 方法重写了在 dask 和 pandas 中对字符串进行操作的操作。 pandas 和 dask 之间的语法差异很小。

编辑：添加了用户提供的函数（to_lower）以在 dask 中使用 .apply 给出示例。

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]

如何使用 Dask 对字符串使用函数？

How to use function for strings using Dask?

nltk

pandas

dask

dask-dataframe