使用Dask加载多个CSV文件时混合列

Posted 2021-04-02

我试图用dask导入一堆csv文件，看起来我的列混合了。

import pandas as pd
import dask.dataframe as dd
import numpy as np

names = ['date', 'country', 'A', 'B']

dtypes = {'booking_date': object, 'booking_country': object, 
      'A': object, 'B': np.float32}

dask_df = dd.read_csv("folder/file_*.csv", dtype=dtypes, 
                       header=None, names=names, skiprows=1)

数据框具有以下形状：

        date country    A         B
0  2019-07-24     ALB  XX  0.041786
1  2019-07-24     AND  XX  0.022168
2  2019-07-24     ARE  YY  0.177757
3  2019-07-24     ARM  YY  0.024475
4  2019-07-24     AUT  ZZ  0.287205

当我想继续使用它时，似乎列A和B混合了一些列。有谁知道为什么会发生这种情况以及如何避免它？

如果我使用glob.glob创建文件列表，然后使用pandas for循环，我没有这个问题。可能是这样做的全局方式是解释每个文件的标题，而dask不是在我的输入数据集中混合列的情况下？

非常感谢你提前！

蒂姆

答案

谢谢您的帮助。

显然我的一些文件的列顺序错误，dask无法处理。 https://github.com/d6t/d6tstack/blob/master/examples-dask.ipynb将解决这个问题，但我还没来得及测试它。