使用 dask read_parquet 方法过滤会产生不需要的结果

Posted 2023-03-11

【中文标题】使用 dask read_parquet 方法过滤会产生不需要的结果

【英文标题】：filtering with dask read_parquet method gives unwanted results

【发布时间】：2018-12-17 01:32:38

【问题描述】：

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')

当我从'test_par' 文件夹中读取和过滤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()

正如您在输出中看到的那样，2018-07-03 和 2018-07-04 存在。

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

我做错了吗？还是我应该在 github 上报告这个？

【参考方案1】：

filters 关键字是一个行组操作（行组是一组数据行的拼花术语，如数据帧的分区）。它不在分区内进行任何过滤。

当您使用filters 时，您将排除分区，根据文件中的最大/最小统计信息，在给定分区中没有没有行可以匹配给定过滤器.例如，如果您指定 x>5，则 min=2,max=4 的分区将被排除，但 min=2,max=6 的分区不会，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一种可选的优化。没有它，Dask 甚至必须读取没有好的数据的分区，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。