保存 pd.DataFrame 时如何强制使用 parquet dtypes？

Question

有没有办法强制 parquet 文件将 pd.DataFrame 列编码为给定类型，即使该列的所有值都为空？ parquet 在其模式中自动分配 "null" 的事实阻止我将许多文件加载到单个 dask.dataframe.

尝试使用 df.column_name = df.column_name.astype(sometype) 转换 pandas 列失败。

我为什么要问这个

我想将多个镶木地板文件加载到一个 dask.dataframe 中。所有文件都是使用 df.to_parquet(filename) 从 pd.DataFrame 的多个实例生成的。所有数据框都具有相同的列，但对于某些给定的列，可能仅包含空值。尝试将所有文件加载到 dask.dataframe 时（使用 df = dd.read_parquet('*.parquet') ，出现以下错误：

Schema in filename.parquet was different.
id: int64
text: string
[...]
some_column: double

vs

id: int64
text: string
[...]
some_column: null

重现我的问题的步骤

import pandas as pd
import dask.dataframe as dd
a = pd.DataFrame(['1', '1'], columns=('value',))
b = pd.DataFrame([None, None], columns=('value',))
a.to_parquet('a.parquet')
b.to_parquet('b.parquet')
df = dd.read_parquet('*.parquet')  # Reads a and b

这给了我以下信息：

ValueError: Schema in path/to/b.parquet was different. 
value: null
__index_level_0__: int64
metadata
--------
{b'pandas': b'{"index_columns": ["__index_level_0__"], "column_indexes": [{"na'
            b'me": null, "field_name": null, "pandas_type": "unicode", "numpy_'
            b'type": "object", "metadata": {"encoding": "UTF-8"}}], "columns":'
            b' [{"name": "value", "field_name": "value", "pandas_type": "empty'
            b'", "numpy_type": "object", "metadata": null}, {"name": null, "fi'
            b'eld_name": "__index_level_0__", "pandas_type": "int64", "numpy_t'
            b'ype": "int64", "metadata": null}], "pandas_version": "0.22.0"}'}

vs

value: string
__index_level_0__: int64
metadata
--------
{b'pandas': b'{"index_columns": ["__index_level_0__"], "column_indexes": [{"na'
            b'me": null, "field_name": null, "pandas_type": "unicode", "numpy_'
            b'type": "object", "metadata": {"encoding": "UTF-8"}}], "columns":'
            b' [{"name": "value", "field_name": "value", "pandas_type": "unico'
            b'de", "numpy_type": "object", "metadata": null}, {"name": null, "'
            b'field_name": "__index_level_0__", "pandas_type": "int64", "numpy'
            b'_type": "int64", "metadata": null}], "pandas_version": "0.22.0"}'}

注意在一种情况下我们有 "pandas_type": "unicode" 而在另一种情况下我们有 "pandas_type": "empty".

相关问题没有给我提供解决方案

Answer 1

如果你改用fastparquet，你可以实现你想要的聊天

import pandas as pd
import dask.dataframe as dd
a = pd.DataFrame(['1', '1'], columns=('value',))
b = pd.DataFrame([None, None], columns=('value',))
a.to_parquet('a.parquet', object_encoding='int', engine='fastparquet')
b.to_parquet('b.parquet', object_encoding='int', engine='fastparquet')

dd.read_parquet('*.parquet').compute()

给予

   value
0    1.0
1    1.0
0    NaN
1    NaN

保存 pd.DataFrame 时如何强制使用 parquet dtypes？

How to force parquet dtypes when saving pd.DataFrame?

python

pandas

parquet

dask

pyarrow