0

我有一个数据框，其中有一列是用引号编码的逗号分隔值，即字符串对象。前任：

  df['a']
'1,2,3,4,5'
'2,3,4,5,6'

我能够将字符串格式的值列表转换为 NumPy 数组，并且能够成功执行我的操作。

def func(x):
    return something

for t_df in pd.read_csv("testset.csv",chunksize=2000):
    t_df['predicted'] = t_df['prev'].parallel_apply(lambda x : arima(ast.literal_eval(x),1))

直到现在我没有任何问题。但是func运行预测模型非常耗时，数据帧大小为 200 万条记录。

因此，我尝试了 python 中的 cudf 包来利用 Pandas 上的 GPU 功能，例如数据帧。这里问题出现了

for t_df in pd.read_csv("testset.csv",chunksize=2):
    t_df['prev'] = t_df['prev'].apply(lambda x : np.array(ast.literal_eval(x)))
    t_df = cudf.DataFrame.from_pandas(t_df)

当我应用相同的操作时，它因错误而失败，该错误基本上无法将类似字符串的对象转换为 NumPy 数组。错误如下

> ---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
<ipython-input-19-e7866d751352> in <module>
     12     t_df['prev'] = t_df['prev'].apply(lambda x : np.array(ast.literal_eval(x)))
     13     st = time.time()
---> 14     t_df = cudf.DataFrame.from_pandas(t_df)
     15     t_df['predicted'] = 10
     16     res.append(t_df)

/opt/conda/lib/python3.7/site-packages/cudf/core/dataframe.py in from_pandas(cls, dataframe, nan_as_null)
   3109             # columns for a single key
   3110             if len(vals.shape) == 1:
-> 3111                 df[i] = Series(vals, nan_as_null=nan_as_null)
   3112             else:
   3113                 vals = vals.T

/opt/conda/lib/python3.7/site-packages/cudf/core/series.py in __init__(self, data, index, name, nan_as_null, dtype)
    128 
    129         if not isinstance(data, column.ColumnBase):
--> 130             data = column.as_column(data, nan_as_null=nan_as_null, dtype=dtype)
    131 
    132         if index is not None and not isinstance(index, Index):

/opt/conda/lib/python3.7/site-packages/cudf/core/column/column.py in as_column(arbitrary, nan_as_null, dtype, length)
   1353         elif arb_dtype.kind in ("O", "U"):
   1354             data = as_column(
-> 1355                 pa.Array.from_pandas(arbitrary), dtype=arbitrary.dtype
   1356             )
   1357         else:

/opt/conda/lib/python3.7/site-packages/cudf/core/column/column.py in as_column(arbitrary, nan_as_null, dtype, length)
   1265                 mask=pamask,
   1266                 size=pa_size,
-> 1267                 offset=pa_offset,
   1268             )
   1269 

/opt/conda/lib/python3.7/site-packages/cudf/core/column/numerical.py in __init__(self, data, dtype, mask, size, offset)
     30         dtype = np.dtype(dtype)
     31         if data.size % dtype.itemsize:
---> 32             raise ValueError("Buffer size must be divisible by element size")
     33         if size is None:
     34             size = data.size // dtype.itemsize

ValueError: Buffer size must be divisible by element size

可能的解决方案是什么？

4

1 回答 1

0

与您的另一个问题一样，我相信您正试图强迫 cudf 以您确实不应该的方式做某事。 虽然 RAPIDS 致力于 API 熟悉度，但似乎：

  1. 您目前没有使用 cudf 或 cuml 最佳实践。虽然您的意图是可行的，但您并没有使用最佳实践来实现您的目标，而我们确实有资源。
  2. 尽管 RAPIDS 可以读取 csv 中的内容，但您的预处理正试图将 np.array 推送到单个列中，而 cudf 无法读取该格式（给您错误）。您需要将输出更改为 RAPIDS 可以读取的内容，例如为该数组中的每个元素创建一个列（下面的代码）。这可能是您遇到的 pandas 和 RAPIDS 之间的功能差距，我们鼓励您提出功能请求。

如果您还没有，我建议您在 github 上的 cuml 和 cudf 中浏览我们的一些文档和笔记本示例。 我们有一个在 GPU 上运行的 arima 示例笔记本。这些是一个非常快速的阅读，将真正让你上路。 可以用 本地处理字符串，但我们的字符串还不能很好地工作。如果您的 GPU 内存太小而无法包含所有数据，请使用 dask-cudf。 cudf.strapply

这里最棘手的部分是读取 CSV 中包含逗号分隔的字符串元素的数据集。您希望每个元素沿行进入其自己的列 - 而不是数组。RAPIDSapplys在字符串上还不能很好地工作，但您想要完成的与下面的示例代码非常相似。可悲的是，RAPIDS 在这一点上可能需要比 Pandas 更长的时间。但是，该代码适用于 cudf 和 pandas，其输出在整个 RAPIDS 生态系统中更有用。既然您已将向量放入列中，请查看使用 cuml 的 ARIMA（上面链接）的位置。 

import cudf
df = cudf.read_csv('testset.csv') 
vecnum_cols = ['a'] 
df_vecnum = cudf.DataFrame(index=df.index)

if len(vecnum_cols) >0:
    for vec in vecnum_cols:
        v = df[vec].str.split(",", expand = True).reset_index(drop=True)
        v.columns  = [ vec + '_' + str(i) for i in range(v.shape[1])]
        #print(len(v.columns))
        df_vecnum = df_vecnum.join(v) 
print(df_vecnum.head())

希望这一切都有帮助。我不能保证它会带你去你想去的地方，但根据我上面所看到的，它应该会让你朝着正确的方向前进。

于 2020-04-28T22:56:58.597 回答