python - 如何在 dask 数据框中添加反射(reflect)日期值(来自列)是否是假期成员的列

Question

我有一个包含日期时间(半小时分辨率)的时间序列数据大数据集(3.5 亿行，15GB)。

因此，我使用 dask 来尽可能多地处理和并行化。

我被困在了一项本来应该是微不足道的任务中。我有一个假期日期列表，是使用假期包创建的:

NSWholidays = holidays.Australia(years= [2010,2011,2012,2013,2014], state='NSW')

我的 dask 数据框中有一个“日期”列。

我想添加一个名为 'IsWorkDay' 的新列，其中 1 表示周一至周五非节假日的日期，0 表示周末或节假日。

我已经尝试了数十种组合，试图找到 dask 要求所需的语法来并行化，但我设法实现的唯一解决方案是使用 .apply ，这对于任务来说速度慢得令人沮丧(几个小时)。简而言之，下面的代码行可以工作，但速度太慢:

SGSCData['IsWorkDay'] = SGSCData.apply(lambda row: int(row.weekday<6 and not row.Date in NSWholidays), axis=1, meta=(None, 'int64'))

如何才能使其更快？

提前致谢

Answer 1

首先，我不太确定你对周末的逻辑。无论如何，这就是我无需使用 apply 或 map_partitions 就能做到的。我的 dask.__version__ 是 1.1.1。正如您所看到的，使用与 pandas 中使用完全相同的矢量解决方案，您的计算在 Intel(R) Core(TM) i7 上花费的时间不到 15s- 7700HQ CPU @ 2.80GHz

import pandas as pd
import holidays
import dask.dataframe as dd
NSWholidays = holidays.Australia(years=list(range(2010,2021)), state='NSW')
# this is slightly more than 31.5M rows
dates = pd.date_range(start='2010-01-01', end='2020-01-01', freq="10S")
ddf = pd.DataFrame({"Date":dates})
ddf = dd.from_pandas(ddf, npartitions=10)

ddf["IsWorkDay"] = (~((ddf["Date"].dt.weekday>=5) | 
                      (ddf["Date"].dt.date.isin(NSWholidays)))).astype(int)

%%time
ddf = ddf.compute()

CPU times: user 1.07 s, sys: 1.48 s, total: 2.55 s
Wall time: 13.9 s