python - Pandas Dataframe Parquet 数据类型?
问题描述
我正在尝试使用 Pandas 和 Pyarrow 来拼花数据。我有数百个 parquet 文件不需要具有相同的模式,但如果列在 parquet 之间匹配,它们必须具有相同的数据类型。
我遇到了结果拼花数据类型不是我想要的情况。例如,我可能会int64
在列中写入一个,然后生成的镶木地板将采用double
格式。这在处理方面造成了很多麻烦,其中 99% 的数据输入正确,但在 1% 的情况下,它只是错误的类型。
我尝试过导入 numpy 并以这种方式包装这些值-
import numpy as np
pandas.DataFrame({
'a': [ np.int64(5100), np.int64(5200), np.int64(5300) ]
})
但是我仍然偶尔会得到双倍,所以这一定是错误的方法。如何确保 parquet 文件中各列的数据类型一致?
更新-
我发现只有当列包含一个或多个None
s 时才会发生这种情况。
data_frame = pandas.DataFrame({
'a': [ None, np.int64(5200), np.int64(5200) ]
})
parquet 不能处理混合的 None-int64 cols 吗?
解决方案
Pandas 本身目前无法处理整数列中的 null/na 值(版本 0.23.x)。在下一个版本中,将会有一个可为空的整数类型。同时,一旦整数列中有空值,Pandas 会自动将其转换为浮点列。因此,在生成的 Parquet 文件中还有一个浮点列:
import numpy as np
import pandas as pd
df = pd.DataFrame({
'a': [np.int64(5100), np.int64(5200), np.int64(5300)]
})
# df['a'].dtype == dtype('int64')
df = pd.DataFrame({
'a': [None, np.int64(5200), np.int64(5200)]
})
# df['a'].dtype == dtype('float64')
推荐阅读
- javascript - 将一个数组拆分为 2 个按对象属性分组的数组
- tensorflow - od_graph_def = tf.GraphDef() AttributeError: 模块 'tensorflow' 没有属性 'GraphDef'
- docker - 安装过程中权限被拒绝错误 使用 docker “生成服务器配置文件”的第 1 步
- android - Mockito.doNothing 不适用于 Handler
- vb.net - 尝试将 excel 文件加载到 .net (web) 中的数据表时请求 Veracode CWE 89 帮助
- javascript - 如何将单选按钮的值保存到本地存储?如何恢复它?
- amazon-s3 - 使用 localstack 从 s3 调用 lambda 的问题
- arrays - 从 Numpy 数组中删除值
- python - 如何使用 python 3.7.4 在 Windows 上使用 pip 安装烧瓶并安装 pip?
- javascript - console.log 不在门户中记录任何内容