如何并行地将函数应用于Dask数据帧的多列？

Question

我有一个Dataframe，我想要计算一个列列表的偏度，如果这个倾斜度超过了某个阈值，我就使用日志转换来修正它。我想知道是否有一种更有效的方法，通过删除下面的correct_skewness()函数中的for循环，使correct_skewness()函数在多个列上并行工作：

import dask
import dask.array as da 
from scipy import stats

# Create a dataframe 
df = dask.datasets.timeseries()

df.head()

                      id     name         x         y
timestamp
2000-01-01 00:00:00  1032   Oliver  0.018604  0.089191
2000-01-01 00:00:01  1032  Norbert  0.666689 -0.979374
2000-01-01 00:00:02   991   Victor  0.027691 -0.474660
2000-01-01 00:00:03   979    Kevin  0.320067  0.656949
2000-01-01 00:00:04  1087    Zelda -0.462076  0.513409


def correct_skewness(columns=None, max_skewness=2):
    if columns is None:
        raise ValueError(
            f"columns argument is None. Please set columns argument to a list of columns"
        )


    for col in columns:
        skewness = stats.skew(df[col])
        max_val = df[col].max().compute()
        min_val = df[col].min().compute()

        if abs(skewness) > max_skewness and (max_val > 1 or min_val < 0):
            delta = 1.0
            if min_val < 0:
                delta = max(1, -min_val + 1)
            df[col] = da.log(delta + df[col])
    return df

df = correct_skewness(columns=['x', 'y']) 

Answer 1

在这个例子中，您可以做几件事情来提高并行性：

您可以使用dask.array.stats.skew而不是statsmodels.skew。您必须显式地import dask.array.stats

您可以在一次计算中计算所有列的最小/最大值。

    mins = [df[col].min() for col in cols]
    maxes = [df[col].min() for col in cols]
    skews = [da.stats.skew(df[col]) for col in cols]

    mins, maxes, skews = dask.compute(mins, maxes, skews)

然后，您可以执行您的if-逻辑，并酌情应用da.log。这仍然需要两次传递您的数据，但这应该是一个很好的改进，您现在有。