Фрейм данных фильтра Dask для группового размера с несколькими столбцами - PullRequest
Новая
       7

Фрейм данных фильтра Dask для группового размера с несколькими столбцами

0 голосов
/ 14 февраля 2019

Цель = многостолбцовая группа в рамке данных dask и отфильтровать группы, содержащие менее 3 строк.

На основании этого сообщения: Фильтрация сгруппированных df в Dask

Я могу рассчитать размер каждого объекта groupby, но не могу понять, как его отобразитьвернуться к моему фрейму данных из группы с несколькими столбцами.Я пробовал много вариантов из следующего, но безрезультатно: 

a = input_df.groupby(["FeatureID", "region"])["Target"].size()
s = input_df[["FeatureID", "region"]].map(a)

Отлично работает для группового размещения с одним столбцом.

Решение

Благодаря @jezrael я смог найти следующее решение: 

a = input_df.groupby(["FeatureID", "region"])["Target"].nunique().to_frame("feature_div")
input_df = input_df.join(a, on=["FeatureID", "region"])

# filter out features below diversity threshold
diversified = input_df[input_df.feature_div >= diversity_threshold]

1 Ответ

0 голосов
/ 14 февраля 2019

Вам нужно join с to_frame: 

a = input_df.groupby(["FeatureID", "region"])["Target"].size().to_frame('New')
input_df = input_df.join(a, on=["FeatureID", "region"])

Образец : 

import pandas as pd
from dask import dataframe as dd 

input_df = pd.DataFrame({
         'FeatureID':[4,5,4,5,5,4],
         'region':list('aaabbb'),
         'Target':[7,8,9,4,2,3],
})

print (input_df)
   FeatureID region  Target
0          4      a       7
1          5      a       8
2          4      a       9
3          5      b       4
4          5      b       2
5          4      b       3

sd = dd.from_pandas(input_df, npartitions=3)
print (sd)
              FeatureID  region Target
npartitions=3                         
0                 int64  object  int64
2                   ...     ...    ...
4                   ...     ...    ...
5                   ...     ...    ...
Dask Name: from_pandas, 3 tasks

a = sd.groupby(["FeatureID", "region"])["Target"].size().to_frame('New')
out = sd.join(a, on=["FeatureID", "region"]).compute()
print (out)
   FeatureID region  Target  New
0          4      a       7    2
1          5      a       8    1
2          4      a       9    2
3          5      b       4    2
4          5      b       2    2
5          4      b       3    1
...