使用 dask read_parquet 方法过滤会产生不需要的结果
Posted
技术标签:
【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?
【问题讨论】:
【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。
【讨论】:
以上是关于使用 dask read_parquet 方法过滤会产生不需要的结果的主要内容,如果未能解决你的问题,请参考以下文章
将Dask包的Pandas DataFrame转换为单个Dask DataFrame