Dask：从多个csv文件读取外部联接

给出内部联接结果：

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()

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

以及：

给出外部联接结果：

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()

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

如何使read_csv在相同模式下工作

编辑：

即使将数据类型架构传递给pandas也不起作用：

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

---

通常，dask.dataframe假设构成dask.dataframe的所有数据帧都具有相同的列和数据类型。如果不是这样的话，行为就是不明确的

如果您的CSV具有不同的列和数据类型，那么我建议使用dask.delayed，就像您在第二个示例中所做的那样，并在调用

dask.dataframe.from\u delayed

之前显式添加新的空列