使用dask为数据框架的一列应用json.load。

Question

我有一个数据框架 fulldb_accrep_united 诸如此类的。

   SparkID  ...                                             Period
0   913955  ...  {"@PeriodName": "2000", "@DateBegin": "2000-01...
1   913955  ...  {"@PeriodName": "1999", "@DateBegin": "1999-01...
2    16768  ...  {"@PeriodName": "2007", "@DateBegin": "2007-01...
3    16768  ...  {"@PeriodName": "2006", "@DateBegin": "2006-01...
4    16768  ...  {"@PeriodName": "2005", "@DateBegin": "2005-01...

我需要转换 Period 列，也就是现在的字符串列变成了字符串列。json 值。通常我用 df.apply(lambda x: json.loads(x))但这个数据框太大，无法整体处理。我想使用 dask但我似乎错过了一些重要的东西。我想我不明白如何使用... ... apply 在 dask但我找不到解决方案。

代码

如果在内存中使用Pandas的所有df，我应该这样做。

#%% read df
os.chdir('/opt/data/.../download finance/output')
fulldb_accrep_united = pd.read_csv('fulldb_accrep_first_download_raw_quotes_corrected.csv', index_col = 0, encoding = 'utf-8')
os.chdir('..')

#%% Deleting some freaky symbols from column
condition = fulldb_accrep_united['Period'].str.contains('\\xa0', na = False, regex = False)
fulldb_accrep_united.loc[condition.values, 'Period'] = fulldb_accrep_united.loc[condition.values, 'Period'].str.replace('\\xa0', ' ', regex = False).values

#%% Convert to json
fulldb_accrep_united.loc[fulldb_accrep_united['Period'].notnull(), 'Period'] = fulldb_accrep_united['Period'].dropna().apply(lambda x: json.loads(x))

这是我尝试使用的代码 dask:

#%% load data with dask
os.chdir('/opt/data/.../download finance/output')
fulldb_accrep_united = dd.read_csv('fulldb_accrep_first_download_raw_quotes_corrected.csv', encoding = 'utf-8', blocksize = 16 * 1024 * 1024) #16Mb chunks
os.chdir('..')

#%% setup calculation graph. No work is done here.
def transform_to_json(df):
    condition = df['Period'].str.contains('\\xa0', na = False, regex = False)
    df['Period'] = df['Period'].mask(condition.values, df['Period'][condition.values].str.replace('\\xa0', ' ', regex = False).values)

    condition2 = df['Period'].notnull()
    df['Period'] = df['Period'].mask(condition2.values, df['Period'].dropna().apply(lambda x: json.loads(x)).values)

result = transform_to_json(fulldb_accrep_united)

这里的最后一个单元格出现错误。

NotImplementedError: Series getitem in only supported for other series objects with matching partition structure

我做错了什么？我花了近5个小时来寻找类似的主题，但我认为我错过了一些重要的东西，因为我是这个主题的新手，我有一个数据帧fulldb_accrep_united这样的类型：SparkID ...

Answer 1

你的问题太长了，我没有全部看完。 我很抱歉。 请看 https:/stackoverflow.comhelpminimal-reproducible-example。

然而，根据标题，你可能想将json.loads函数应用于数据框架列中的每个元素。

df["column-name"] = df["column-name"].apply(json.loads)