Pandasの場合は以下のようにgroupbyしてからdiffを呼ぶと1行前とのdiffが取れるが、daskにはdiffメソッドがない。
features[num_features + ["customer_ID"]].groupby(["customer_ID"]).diff(1)
daskの場合、map_overlapメソッドを使って実装する。 diffや移動平均のようにwindowをずらしながら計算するような場合はmap_overlapを使うらしい。diffをとる場合のサンプルコードは以下。
def _get_difference(self, num_features: List[str]) -> DataFrame: def diff(df: DataFrame) -> DataFrame: return df.diff(1) npartitions: int = min(os.cpu_count() * 3, int(len(self._features) / 100)) ddf: dd.DataFrame = dd.from_pandas(self._features, npartitions=npartitions).set_index("customer_ID") ddf = ddf[num_features].map_overlap(diff, 2, 0) ddf = ddf.rename(columns={col: col + "_diff_1" for col in num_features}) ddf = ddf.groupby("customer_ID").last() return ddf.reset_index().compute()
参考: