在不读取文件的情况下使用镶木地板文件统计信息

Question

据我了解，parquet 文件具有 min/max 列统计信息。我的问题是如何在不读取整个文件的情况下使用 python 读取这些统计信息？

如果有帮助，我还有 _common_metadata 和 _metadata 个文件。

我的具体问题是获取此文件系统中每个证券交易所分区的最大日期（每年分区包含多个具有日期列的镶木地板文件）：

C:.
│   _common_metadata
│   _metadata
├───source=NASDAQ
│   ├───year=2017
│   └───year=2018
├───source=London_Stock_Exchange
│   ├───year=2014
│   ├───year=2015
├───source=Japan_Exchange_Group
│   ├───year=2017
│   └───year=2018
└───source=Euronext
    ├───year=2017
    └───year=2018

Answer 1

经过一些额外的搜索，我在 fastparquet 模块中找到了这个 sorted_partitioned_columns。

它给出了每个文件的最小值和最大值！

示例：

>>> import fastparquet
>>> fastparquet.api.sorted_partitioned_columns(pf)
{'id': {'min': [1, 5, 10], 'max': [4, 9, 20]}}

Answer 2

您可以在 pyarrow:

中逐行提取它们

import pyarrow.parquet as pq

pq_file = pq.ParquetFile(…)
# Get metadata for the i-th RowGroup
rg_meta = pq_file.metadata.row_group(i)
# Get the "max" statistic for the k-th column
max_of_col = rq_meta.column(col).statistics.max

在不读取文件的情况下使用镶木地板文件统计信息

using parquet files statistics without reading the files

python

parquet

dask

pyarrow

fastparquet