Question

我需要使用dask将具有相同模式的多个镶木地板文件加载到单个数据框中。当它们都在同一目录中时，它就会起作用，但当它们位于不同的目录中时却不行。

例如：

import fastparquet
pfile = fastparquet.ParquetFile(['data/data1.parq', 'data/data2.parq'])

工作得很好，但是如果我将data2.parq复制到另一个目录，则以下内容不起作用：

pfile = fastparquet.ParquetFile(['data/data1.parq', 'data2/data2.parq'])

我得到的追溯如下：

---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
<ipython-input-11-b3d381f14edc> in <module>()
----> 1 pfile = fastparquet.ParquetFile(['data/data1.parq', 'data2/data2.parq'])

~/anaconda/envs/hv/lib/python3.6/site-packages/fastparquet/api.py in __init__(self, fn, verify, open_with, sep)
     82         if isinstance(fn, (tuple, list)):
     83             basepath, fmd = metadata_from_many(fn, verify_schema=verify,
---> 84                                                open_with=open_with)
     85             self.fn = sep.join([basepath, '_metadata'])  # effective file
     86             self.fmd = fmd

~/anaconda/envs/hv/lib/python3.6/site-packages/fastparquet/util.py in metadata_from_many(file_list, verify_schema, open_with)
    164     else:
    165         raise ValueError("Merge requires all PaquetFile instances or none")
--> 166     basepath, file_list = analyse_paths(file_list, sep)
    167 
    168     if verify_schema:

~/anaconda/envs/hv/lib/python3.6/site-packages/fastparquet/util.py in analyse_paths(file_list, sep)
    221     if len({tuple([p.split('=')[0] for p in parts[l:-1]])
    222             for parts in path_parts_list}) > 1:
--> 223         raise ValueError('Partitioning directories do not agree')
    224     for path_parts in path_parts_list:
    225         for path_part in path_parts[l:-1]:

ValueError: Partitioning directories do not agree

使用dask.dataframe.read_parquet时出现同样的错误，我假设它使用相同的ParquetFile对象。

如何从不同目录加载多个文件？将我需要加载的所有文件放入同一目录中不是一种选择。

Answer 1

解决方法是分别读取每个块并传递给dask.dataframe.from_delayed。这与read_parquet所做的完全相同的元数据处理（'index'下面应该是索引），但是否则应该有效。

import dask.dataframe as dd    
from dask import delayed    
from fastparquet import ParquetFile

@delayed
def load_chunk(pth):
    return ParquetFile(pth).to_pandas()

files = ['temp/part.0.parquet', 'temp2/part.1.parquet']
df = dd.from_delayed([load_chunk(f) for f in files])

df.compute()

Out[38]: 
   index  a
0      0  1
1      1  2
0      2  3
1      3  4

Answer 2

如果使用绝对路径或显式相对路径，这在master上的fastparquet中有效：

pfile = fastparquet.ParquetFile(['./data/data1.parq', './data2/data2.parq'])

对领先./的需求应视为错误 - 请参阅问题。

Answer 3

Dask API documentation指出：

要读取多个文件，您可以传递globstring或路径列表[...]。

以下解决方案允许在各个实木复合地板文件中使用不同的列，这对于this answer是不可能的。由于它是本机的dask命令，因此将被并行化。

import dask.dataframe as dd


files = ['temp/part.0.parquet', 'temp2/part.1.parquet']
df = dd.read_parquet(files)

df.compute()

如何使用dask / fastparquet

3 个答案: