如何将包含一列数组的 Dask 数据帧写入镶木地板文件

Question

我有一个 Dask 数据框，其中一列包含一个 numpy 浮点数组：

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

df = dd.from_pandas(
    pd.DataFrame(
        {
            'id':range(1, 6),
            'vec':[np.array([1.0, 2.0, 3.0, 4.0, 5.0])] * 5
        }), npartitions=1)

df.compute()

   id                        vec
0   1  [1.0, 2.0, 3.0, 4.0, 5.0]
1   2  [1.0, 2.0, 3.0, 4.0, 5.0]
2   3  [1.0, 2.0, 3.0, 4.0, 5.0]
3   4  [1.0, 2.0, 3.0, 4.0, 5.0]
4   5  [1.0, 2.0, 3.0, 4.0, 5.0]

如果我尝试将其写成镶木地板，我会收到错误消息：

df.to_parquet('somefile')
....
Error converting column "vec" to bytes using encoding UTF8. Original error: bad argument type for built-in operation

我认为这是因为 'vec' 列的类型为 'object'，因此 parquet 序列化程序尝试将其写为字符串。有什么方法可以告诉 Dask DataFrame 或序列化程序该列是一个浮点数组吗？

Answer 1

我发现如果使用 pyarrow 引擎而不是默认的 fastparquet 是可能的：

pip/conda install pyarrow

然后：

df.to_parquet('somefile', engine='pyarrow')

https://github.com/dask/fastparquet/ 的 fastparquet 文档说 "only simple data-types and plain encoding are supported"，所以我想这意味着没有数组。

如何将包含一列数组的 Dask 数据帧写入镶木地板文件

How to write a Dask dataframe containing a column of arrays to a parquet file

python

dask

fastparquet