我使用 pyarrow 创建和分析包含生物信息的 Parquet 表，我需要存储一些元数据，例如数据来自哪个样本，如何获取和处理。
Parquet 似乎支持文件范围的元数据，但我找不到如何通过 pyarrow 编写它。我能找到的最接近的是如何编写 row-group metadata，但这似乎有点过头了，因为我的元数据对于文件中的所有行组都是相同的。
有没有办法用 pyarrow 编写文件范围的 Parquet 元数据？
问问题
2788 次
2 回答
11
Pyarrow 将文件范围的元数据映射到表模式中名为 metadata 的字段。遗憾的是，还没有这方面的文档。
Parquet 元数据格式和 Pyarrow 元数据格式都将元数据表示为键/值对的集合，其中键和值都必须是字符串。这是不幸的，因为如果它只是一个 UTF-8 编码的 JSON 对象，它会更加灵活。此外，由于这些是std::stringC++ 实现中的对象，因此它们是 Python 中的“b 字符串”（字节）对象。
Pyarrow 目前将一些自己的信息存储在元数据字段中。它有一个内置键b'ARROW:schema'和另一个内置键b'pandas'。在 pandas 的情况下，该值是一个用 UTF-8 编码的 JSON 对象。这允许命名空间。“pandas”模式可以有尽可能多的字段，并且它们都在“pandas”下命名。Pyarrow 使用“pandas”模式来存储有关表具有哪种索引以及列使用哪种编码类型的信息（当给定数据类型有多个可能的 pandas 编码时）。我不确定b'ARROW:schema'代表什么。它似乎以某种我不认识的方式编码，我还没有真正玩过它。我认为它的目的是记录与“熊猫”模式类似的东西。
要回答您的问题，我们需要知道的最后一件事是所有 pyarrow 对象都是不可变的。所以没有办法简单地将字段添加到模式中。Pyarrow 确实具有模式实用程序方法with_metadata，它返回模式对象的克隆，但使用您自己的元数据，但这会替换现有元数据并且不会附加到它。Table 对象上也有实验方法，replace_schema_metadata但这也替换并且不更新。所以如果你想保留现有的元数据，你必须做更多的工作。把这一切放在一起，我们得到......
custom_metadata = {'Sample Number': '12', 'Date Obtained': 'Tuesday'}
existing_metadata = table.schema.metadata
merged_metadata = { **custom_metadata, **existing_metadata }
fixed_table = table.replace_schema_metadata(merged_metadata)
将此表保存为 parquet 文件后，它将包含 和 的键/值元数据字段（在文件级别Sample Number）Date Obtained。
另外，请注意replace_schema_metadataandwith_metadata方法可以接受常规的 python 字符串（就像在我的示例中一样）。但是，它会将这些转换为“b 字符串”，因此如果您想访问架构中的字段，您必须使用“b 字符串”。例如，如果您刚刚阅读了一个表格并想要获取您必须使用的样本编号，table.schema.metadata[b'Sample Number']并且table.schema.metadats['Sample Number']会给您一个KeyError.
当您开始使用它时，您可能会意识到不断地Sample Number来回映射到整数是很痛苦的。此外，如果您的元数据在您的应用程序中表示为一个大型嵌套对象，那么将这个对象映射到字符串/字符串对的集合可能会很痛苦。此外，不断记住“b 字符串”键是一种痛苦。解决方案是做与 pandas 模式相同的事情。首先将您的元数据转换为 JSON 对象。然后将 JSON 对象转换为“b 字符串”。
custom_metadata_json = {'Sample Number': 12, 'Date Obtained': 'Tuesday'}
custom_metadata_bytes = json.dumps(custom_metadata_json).encode('utf8')
existing_metadata = table.schema.metadata
merged_metadata = { **{'Record Metadata': custom_metadata_bytes}, **existing_metadata }
现在，您可以拥有任意数量的元数据字段，以任何您想要的方式嵌套，使用任何标准 JSON 类型，并且它们都将被命名为单个键/值对（在本例中名为“记录元数据”）。
于 2019-11-21T15:32:08.463 回答
4
此示例说明如何使用 PyArrow 创建包含文件元数据和列元数据的 Parquet 文件。
假设您有以下 CSV 数据：
movie,release_year
three idiots,2009
her,2013
将 CSV 读入 PyArrow 表并使用列/文件元数据定义自定义模式：
import pyarrow.csv as pv
import pyarrow.parquet as pq
import pyarrow as pa
table = pv.read_csv('movies.csv')
my_schema = pa.schema([
pa.field("movie", "string", False, metadata={"spanish": "pelicula"}),
pa.field("release_year", "int64", True, metadata={"portuguese": "ano"})],
metadata={"great_music": "reggaeton"})
创建一个新表my_schema并将其写为 Parquet 文件：
t2 = table.cast(my_schema)
pq.write_table(t2, 'movies.parquet')
读取 Parquet 文件并获取文件元数据：
s = pq.read_table('movies.parquet').schema
s.metadata # => {b'great_music': b'reggaeton'}
s.metadata[b'great_music'] # => b'reggaeton'
获取与列关联的元数据release_year：
parquet_file.schema.field('release_year').metadata[b'portuguese'] # => b'ano'
于 2020-08-29T01:10:14.823 回答