DASK：外部联接从多个CSV文件中读取

Question

import dask.dataframe as dd 
import numpy as np 
from dask import delayed 

df1 = pd.DataFrame({'a': np.arange(10), 'b': np.random.rand()}) 
df1 = df1.astype({'a':np.float64}) 
df2 = pd.DataFrame({'a': np.random.rand(5), 'c': 1}) 
df1.to_csv('df1.csv') 
df2.to_csv('df2.csv') 
dd.read_csv('*.csv').compute() 

给人内部联接结果：

Unnamed: 0   a   b 
0   0 0.000000 0.218319 
1   1 1.000000 0.218319 
2   2 2.000000 0.218319 
... 

和：

df1_delayed = delayed(lambda: df1)() 
df2_delayed = delayed(lambda: df2)() 
dd.from_delayed([df1_delayed, df2_delayed]).compute() 

给人外连接的结果：

  a   b c 
0 0.000000 0.218319 NaN 
1 1.000000 0.218319 NaN 
2 2.000000 0.218319 NaN 
... 

如何使read_csv在相同的模式下工作？

编辑：

即使经过D型架构到大熊猫不起作用：

dd.read_csv('*.csv', dtype={'a':np.float64, 'b': np.float64, 'c': np.float64}).compute() 

Answer 1

一般dask.dataframe假定形成的dask.dataframe所有熊猫dataframes具有相同的列和dtype。如果情况并非如此，行为是不明确的。

如果您的CSV具有不同的列和dtype，那么我建议您使用dask.delayed，就像您在第二个示例中所做的那样，并在调用dask.dataframe.from_delayed之前明确添加新的空列。