Question

我有一个非常宽的数据框（20,000列），主要由Pandas中的float64列组成。我想将这些列转换为float32并写入Parquet格式。之所以这样做，是因为这些文件的下载对象是内存有限的小型容器。

我目前在Pandas中进行投射，但是在广泛的数据集上这非常慢，然后将其写到拼花地板上。在执行write_parquet进程本身时是否可以转换类型？一个伪示例如下所示。

import pandas as pd
import numpy as np
import pyarrow
df = pd.DataFrame(np.random.randn(3000, 15000)) # make dummy data set
df.columns = [str(x) for x in list(df)] # make column names string for parquet
df[list(df.loc[:, df.dtypes == float])] = df[list(df.loc[:, df.dtypes == float])].astype('float32') # cast the data
df.to_parquet("myfile.parquet") # write out the df

Answer 1

尝试使用箭头代替熊猫来进行向下投射：

def convert_arrow(df):
    table = pa.Table.from_pandas(df)
    columns = [
        c.cast(pa.float32()) if c.type == pa.float64() else c
        for c in table
    ]
    return pa.Table.from_arrays(columns, table.column_names)

我做了一个简单的基准测试，速度快了20倍。

我认为您代码的问题是在现有DataFrmae中一一分配列，这效率不高。这篇博客文章对此进行了很好的解释：https://uwekorn.com/2020/05/24/the-one-pandas-internal.html

另一个不涉及箭头的简单解决方案是转换每列并在最后创建数据框。下面的代码比箭头版本慢一点：

def convert_pandas_by_columns(df):
    columns = [
        df[c].astype('float32') if df[c].dtype == float else df[c]
        for c in df.columns
    ]
    return pd.DataFrame(columns)

Answer 2

使用pandas 1.0.x和pyarrow 0.15+，可以使用从schema parameter获取的模式定义，在to_parquet中传递this post，如下所示。输入用于schema definition的pyarrow。

import panda as pd
import pyarrow as pa

FILE_PATH = "/tmp/df.parquet"
df = pd.DataFrame({'a': [None, None]})
df.to_parquet(FILE_PATH)
pd.read_parquet(FILE_PATH).dtypes

这提供了以下类型：

a    object
dtype: object

已定义架构：

SCHEMA = pa.schema([('a', pa.int32())])
df.to_parquet(FILE_PATH)

pd.read_parquet(FILE_PATH).dtypes

它现在提供以下类型：

a    float64
dtype: object

Pyarrow在使用熊猫to_parquet（）时应用架构

2 个答案: