使用 Array<Map<String,String>> 列读取 Parquet 文件

Question

我正在使用 Dask 读取由 PySpark 生成的 Parquet 文件，其中一列是字典列表（即 array<map<string,string>>'）。 df 的一个例子是：

import pandas as pd

df = pd.DataFrame.from_records([ 
    (1, [{'job_id': 1, 'started': '2019-07-04'}, {'job_id': 2, 'started': '2019-05-04'}], 100), 
    (5, [{'job_id': 3, 'started': '2015-06-04'}, {'job_id': 9, 'started': '2019-02-02'}], 540)], 
    columns=['uid', 'job_history', 'latency'] 
)

当使用 engine='fastparquet 时，Dask 可以正常读取所有其他列，但 returns 具有复杂类型的列的 None 列。当我设置 engine='pyarrow' 时，出现以下异常：

ArrowNotImplementedError: lists with structs are not supported.

很多谷歌搜索已经清楚地表明，现在并不真正支持读取带有嵌套数组的列，而且我不完全确定处理这个问题的最佳方法是什么。我认为我的选择是：

一些如何告诉 dask/fastparquet 使用标准 json 库解析列。架构很简单，如果可能就可以完成工作
看看我是否可以重新运行生成输出的 Spark 作业并将其另存为其他内容，尽管这几乎不是一个可接受的解决方案，因为我的公司到处都使用镶木地板
将地图的键转换为列，并使用 dtype list 将数据分解成多个列，并注意这些列中的数据按索引相互 related/map（例如这些 keys/columns 中 idx 0 中的元素都来自同一来源）。这会奏效，但坦率地说，让我心碎:(

我很想听听其他人是如何解决这个限制的。我的公司经常在他们的 parquest 中使用嵌套数组，因此我不想不得不放弃使用 Dask。

Answer 1

更公平地说 pandas 不能很好地支持 non-simple 类型（目前）。 pyarrow 可能会在不转换为 pandas 的情况下出现这种情况，并且作为未来的某个点，pandas 将直接使用这些箭头结构。

确实，我能想到的最直接的方法就是将列重写为B/JSON-encoded文本，然后使用fastparquet加载，指定使用B/JSON加载。您应该在列中获得字典列表，但性能会很慢。

请注意，旧项目 oamap and its successor awkward 提供了一种使用 python 语法迭代和聚合嵌套 list/map/struct 树的方法，但使用 Numba 编译，因此您永远不需要实例化中间 python 个对象。它们不是为镶木地板设计的，但具有镶木地板兼容性，因此可能对您有用。

Answer 2

当我尝试使用 Pandas 阅读时，我正在处理 pyarrow.lib.ArrowNotImplementedError: Reading lists of structs from Parquet files not yet supported；然而，当我使用 pyspark 阅读然后转换为 pandas 时，数据至少加载：

import pyspark
spark = pyspark.sql.SparkSession.builder.getOrCreate()
df = spark.read.load(path)
pdf = df.toPandas()

并且违规字段现在呈现为 pyspark Row 对象，它具有一些结构化解析，但您可能必须编写自定义 pandas 函数才能从中提取数据：

>>> pdf["user"][0]["sessions"][0]["views"]
[Row(is_search=True, price=None, search_string='ABC', segment='listing', time=1571250719.393951), Row(is_search=True, price=None, search_string='ZYX', segment='homepage', time=1571250791.588197), Row(is_search=True, price=None, search_string='XYZ', segment='listing', time=1571250824.106184)]

单个记录可以呈现为字典，只需在您想要的 Row 对象上调用 .asDict(recursive=True)。

不幸的是，启动 SparkSession 上下文需要大约 5 秒，而且每个 spark 操作也比 pandas 操作（对于中小型数据集）花费的时间长得多，所以我更喜欢 python-原生选项

使用 Array<Map<String,String>> 列读取 Parquet 文件

Reading Parquet File with Array<Map<String,String>> Column

python

dask

python-3.7

pyarrow

fastparquet