使用 dask read_parquet 方法过滤会产生不需要的结果

Question

我正在尝试使用 dask read_parquet 方法和 filters kwarg 读取镶木地板文件。但是它有时不会根据给定的条件进行过滤。

示例：使用 dates 列

创建和保存数据框

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

nums  = range(1,6)
dates = pd.date_range('2018-07-01', periods=5, freq='1d')
df = pd.DataFrame({'dates':dates, 'nums': nums})

ddf = dd.from_pandas(df, npartitions=3).to_parquet('test_par', engine = 'fastparquet')

当我阅读并过滤 'test_par' 文件夹中的 dates 列时，它似乎不起作用

filters=[('dates', '>', np.datetime64('2018-07-04'))]
df  = dd.read_parquet('test_par', engine='fastparquet', filters=filters).compute()

如您在输出中所见，存在 2018-07-03 和 2018-07-04。

+-------+------------+------+
|       | dates      | nums |
+-------+------------+------+
| index |            |      |
+-------+------------+------+
| 2     | 2018-07-03 | 3    |
+-------+------------+------+
| 3     | 2018-07-04 | 4    |
+-------+------------+------+
| 4     | 2018-07-05 | 5    |
+-------+------------+------+

我做错了什么吗？或者我应该在 github 上报告吗？

Answer 1

filters 关键字是行组操作（行组是一组数据行的镶木地板术语，如数据框的分区）。它不会在分区内进行任何过滤。

当您使用 filters 时，您将排除分区，根据文件中的 max/min 统计，其中有 no 行可以匹配给定过滤器的给定分区。例如，如果您指定 x>5，则将排除具有 min=2,max=4 的分区，但不会排除具有 min=2,max=6 的分区，即使后者仅包含满足过滤器。

要过滤数据，您仍然应该使用通常的语法

df[df.dates > np.datetime64('2018-07-04')]

除了过滤器，并将过滤器的使用视为可选的优化。没有它，Dask 甚至必须读取没有好数据的分区，然后应用条件，导致这些分区没有结果。如果可能，最好不要加载它们。

使用 dask read_parquet 方法过滤会产生不需要的结果

filtering with dask read_parquet method gives unwanted results

python

dataframe

filtering

dask

fastparquet