Dask-Dataframe列中的唯一值数

Question

我有一个从csv文件读取的Dataframe文件，有大约100万条记录和120个特性/列，我想在每一列中计算唯一值的数量。我可以使用for -循环分别为每一列执行此操作：

from dask import dataframe as dd
dask_df = dd.read_csv("train.csv")
for column in dask_df.columns:
     print(dask_df[col].nunique().compute())

但是每次迭代时的计算都是非常昂贵的(每个工作人员拥有2GB的内存和2个vcore，每个工作人员有3个节点集群，每个工作人员需要大约40分钟的计算时间)，那么是否有一种方法可以在数据帧的每一列得到唯一的值呢？我尝试过dask_df.describe() api，但这只为字符串类型提供了唯一的值。感谢您的任何帮助，谢谢！

Answer 1

下面是另一种解决方法，即每一列的唯一值都是一次计算的，这为优化提供了更多的机会：

import random
import pandas
import dask
import dask.dataframe as dd

df = pandas.DataFrame({
    "x": [random.randint(0,100) for _ in range(100)],
    "y": [random.randint(0,100) for _ in range(100)],
    "z": [random.randint(0,100) for _ in range(100)],
})
ddf = dd.from_pandas(df, npartitions=10)

unique = {
    name: ddf[name].nunique()
    for name in ddf.columns
}

# traverse=True is default, but being explicit that we are traversing the dict for dask objects
dask.compute(unique, traverse=True)

Answer 2

我不知道这是否是最快的解决方案，但您可以使用.melt()解除数据透视列，然后在变量列上使用.groupby()来计算每个组中的唯一值，以便在每列解决方案的列上获得显著的性能改进：

dd.read_csv('test.csv').melt().groupby('variable')['value'].nunique().compute()

让我们生成一些随机整数数据并保存为csv：

import numpy as np
import pandas as pd
from dask import dataframe as dd

nrows = 10000
ncols = 120

rng = np.random.default_rng(seed=1)
random_data = rng.integers(low=0, high=nrows/2, size=(nrows,ncols))
pd.DataFrame(data=random_data).add_prefix('col_').to_csv('test.csv', index=False)

我们使用以下两个函数进行绩效评估：

def nunique_per_column():
    dask_df = dd.read_csv('test.csv')
    counts = []
    for col in dask_df.columns:
          counts.append(dask_df[col].nunique().compute())
    return pd.Series(counts, index=dask_df.columns)

def melt_groupby_nunique():
    return dd.read_csv('test.csv').melt().groupby('variable')['value'].nunique().compute()

首先，检查两个函数是否使用以下方法计算相同的结果：

pd.testing.assert_series_equal(nunique_per_column().sort_index(),
                               melt_groupby_nunique().sort_index(),
                               check_names=False)

函数和示例数据上的%timeit在我的机器上产生了以下输出：

%timeit nunique_per_column()
17.5 s ± 216 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

%timeit melt_groupby_nunique()
1.78 s ± 576 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

Answer 3

@Mohamed 2022.01.0，dask.DataFrame.nunique()已成为实施

import random
import pandas
import dask.dataframe as dd

df = pandas.DataFrame({
    "x": [random.randint(0,100) for _ in range(100)],
    "y": [random.randint(0,100) for _ in range(100)],
    "z": [random.randint(0,100) for _ in range(100)],
})
ddf = dd.from_pandas(df, npartitions=10)

ddf.nunique().compute()