使用pyarrow读取镶木地板文件时如何解码字典列?

How to decode dictionary column when using pyarrow to read parquet files?

我在 s3 存储桶中存储了三个 .snappy.parquet 文件,我尝试使用 pandas.read_parquet() 但它仅在我指定一个镶木地板文件时有效,例如:df = pandas.read_parquet("s3://bucketname/xxx.snappy.parquet"),但是如果我不指定文件名 df = pandas.read_parquet("s3://bucketname"),这将不起作用并且它给了我错误:Seek before start of file.

我看了很多书,然后我发现了这个page

它建议我们可以使用 pyarrow 读取多个 parquet 文件,所以这是我尝试过的:

import s3fs
import import pyarrow.parquet as pq
s3 = s3fs.S3FileSystem()
bucket_uri = f's3://bucketname'

data = pq.ParquetDataset(bucket_uri, filesystem=s3)
df = data.read().to_pandas()

这行得通,但我发现 df 中其中一列的值是一个字典,我如何解码这个字典和选定的 key 作为列名和 value作为相应的值?

例如当前列:

column_1
{'Id': 'xxxxx', 'name': 'xxxxx','age': 'xxxxx'....}

预期列:

Id    age
xxx   xxx
xxx   xxx

这是 data.read().schema 的输出:

column_0: string
  -- field metadata --
  PARQUET:field_id: '1'
column_1: struct<Id: string, name: string, age: string,.......>
  child 0, Id: string
    -- field metadata --
    PARQUET:field_id: '3'
  child 1, name: string
    -- field metadata --
    PARQUET:field_id: '7'
  child 2, age: string
    -- field metadata --
    PARQUET:field_id: '8'
  ...........
...........

您有一个“结构类型”的列,您想要将其展平。为此,请在调用 to_pandas

之前调用 flatten
import pyarrow as pa

COLUMN1_SCHEMA = pa.struct([('Id', pa.string()), ('Name', pa.string()), ('Age', pa.string())])
SCHEMA = pa.schema([("column1", COLUMN1_SCHEMA), ('column2', pa.int32())])

df = pd.DataFrame({
    "column1": [("1", "foo", "16"), ("2", "bar", "17"), ],
    "column2": [1, 2],
})
pa.Table.from_pandas(df, SCHEMA).to_pandas() #  without flatten

| column1                                 |   column2 |
|:----------------------------------------|----------:|
| {'Id': '1', 'Name': 'foo', 'Age': '16'} |         1 |
| {'Id': '2', 'Name': 'bar', 'Age': '17'} |         2 |

pa.Table.from_pandas(df, SCHEMA).flatten().to_pandas() #  with flatten
|   column1.Id | column1.Name   |   column1.Age |   column2 |
|-------------:|:---------------|--------------:|----------:|
|            1 | foo            |            16 |         1 |
|            2 | bar            |            17 |         2 |

作为旁注,您不应将其称为 dictionary 专栏。 dictionary是pyarrow中的加载项,通常指的是distionary encoding

编辑:如何读取 parquet 中的列子集

import pyarrow.parquet as pq

table = pa.Table.from_pandas(df, SCHEMA)
pq.write_table(table, 'data.pq')
# Using read_table:
pq.read_table('data.pq', columns=['column1.Id', 'column1.Age'])
# Using ParquetDataSet:
pq.ParquetDataset('data.pq').read(columns=['column1.Id', 'column1.Age'])