时间戳

首页 > 解决方案 > 用数组读取 Parquet 文件> 专栏

python - 用数组读取 Parquet 文件> 专栏

问题描述

我正在使用 Dask 读取由 PySpark 生成的 Parquet 文件，其中一列是字典列表（即array<map<string,string>>'）。df 的一个例子是：

import pandas as pd

df = pd.DataFrame.from_records([ 
    (1, [{'job_id': 1, 'started': '2019-07-04'}, {'job_id': 2, 'started': '2019-05-04'}], 100), 
    (5, [{'job_id': 3, 'started': '2015-06-04'}, {'job_id': 9, 'started': '2019-02-02'}], 540)], 
    columns=['uid', 'job_history', 'latency'] 
)

使用时engine='fastparquet，Dask 可以很好地读取所有其他列，但会None为复杂类型的列返回 s 列。当我设置engine='pyarrow'时，我得到以下异常：

ArrowNotImplementedError: lists with structs are not supported.

许多谷歌搜索清楚地表明，现在并不真正支持使用嵌套数组读取列，而且我不完全确定处理这个问题的最佳方法是什么。我想我的选择是：

我很想听听其他人是如何绕过这个限制的。我的公司经常在他们的 parquest 中使用嵌套数组，因此我不想放弃使用 Dask。

标签： pythondaskpython-3.7pyarrowfastparquet

解决方案

更公平地说，pandas（目前）不太支持非简单类型。pyarrow 可能会在没有转换为 pandas 的情况下，并且作为未来的某个点，pandas 将直接使用这些箭头结构。

实际上，我认为您可以使用的最直接的方法是将列重写为 B/JSON 编码的文本，然后使用 fastparquet 加载，指定使用 B/JSON 加载。您应该在列中获得 dicts 列表，但性能会很慢。

请注意，旧项目oamap及其后继项目笨拙提供了一种使用 Python 语法迭代和聚合嵌套列表/映射/结构树的方法，但使用 Numba 编译，这样您就不需要实例化中间 Python 对象。它们不是为镶木地板设计的，但具有镶木地板的兼容性，因此可能对您有用。

推荐阅读