如何有效地将大型数据帧拆分为多个镶木地板文件？

Question

考虑以下数据框

import pandas as pd
import numpy as np
import pyarrow.parquet as pq
import pyarrow as pa

idx = pd.date_range('2017-01-01 12:00:00.000', '2017-03-01 12:00:00.000', freq = 'T')

dataframe = pd.DataFrame({'numeric_col' : np.random.rand(len(idx)),
                          'string_col' : pd.util.testing.rands_array(8,len(idx))},
                           index = idx)

dataframe
Out[30]: 
                     numeric_col string_col
2017-01-01 12:00:00       0.4069   wWw62tq6
2017-01-01 12:01:00       0.2050   SleB4f6K
2017-01-01 12:02:00       0.5180   cXBvEXdh
2017-01-01 12:03:00       0.3069   r9kYsJQC
2017-01-01 12:04:00       0.3571   F2JjUGgO
2017-01-01 12:05:00       0.3170   8FPC4Pgz
2017-01-01 12:06:00       0.9454   ybeNnZGV
2017-01-01 12:07:00       0.3353   zSLtYPWF
2017-01-01 12:08:00       0.8510   tDZJrdMM
2017-01-01 12:09:00       0.4948   S1Rm2Sqb
2017-01-01 12:10:00       0.0279   TKtmys86
2017-01-01 12:11:00       0.5709   ww0Pe1cf
2017-01-01 12:12:00       0.8274   b07wKPsR
2017-01-01 12:13:00       0.3848   9vKTq3M3
2017-01-01 12:14:00       0.6579   crYxFvlI
2017-01-01 12:15:00       0.6568   yGUnCW6n

我需要将此数据框写入许多镶木地板文件中。当然还有以下作品：

table = pa.Table.from_pandas(dataframe)
pq.write_table(table, '\\mypath\dataframe.parquet', flavor ='spark')

我的问题是生成的（单个）parquet 文件变得太大。

我如何有效地（内存方面，速度方面）将写作拆分为daily镶木地板文件（并保持spark风格）？这些日常文件将在以后与 spark 并行阅读。

谢谢！

Answer 1

根据索引创建一个字符串列dt 将允许您写出按运行

日期分区的数据

pq.write_to_dataset(table, root_path='dataset_name', partition_cols=['dt'], flavor ='spark')

答案基于此 source（注意，来源错误地将分区参数列为 partition_columns）

Answer 2

David 提出的解决方案没有解决问题，因为它为每个索引生成一个 parquet 文件。但是这个稍微修改过的版本就可以了

import pandas as pd
import numpy as np
import pyarrow.parquet as pq
import pyarrow as pa
idx = pd.date_range('2017-01-01 12:00:00.000', '2017-03-01 12:00:00.000',
                    freq='T')

df = pd.DataFrame({'numeric_col': np.random.rand(len(idx)),
                   'string_col': pd.util.testing.rands_array(8,len(idx))},
                  index = idx)

df["dt"] = df.index
df["dt"] = df["dt"].dt.date
table = pa.Table.from_pandas(df)
pq.write_to_dataset(table, root_path='dataset_name', partition_cols=['dt'], 
                    flavor='spark')

如何有效地将大型数据帧拆分为多个镶木地板文件？

how to efficiently split a large dataframe into many parquet files?

python

pandas

parquet

pyarrow