4

我正在使用 Dask 读取由 PySpark 生成的 Parquet 文件，其中一列是字典列表（即array<map<string,string>>'）。df 的一个例子是：

import pandas as pd

df = pd.DataFrame.from_records([ 
    (1, [{'job_id': 1, 'started': '2019-07-04'}, {'job_id': 2, 'started': '2019-05-04'}], 100), 
    (5, [{'job_id': 3, 'started': '2015-06-04'}, {'job_id': 9, 'started': '2019-02-02'}], 540)], 
    columns=['uid', 'job_history', 'latency'] 
)

使用时engine='fastparquet，Dask 可以很好地读取所有其他列，但会None为复杂类型的列返回 s 列。当我设置engine='pyarrow'时，我得到以下异常：

ArrowNotImplementedError: lists with structs are not supported.

许多谷歌搜索清楚地表明，现在并不真正支持使用嵌套数组读取列，而且我不完全确定处理这个问题的最佳方法是什么。我想我的选择是：

  • 一些如何告诉 dask/fastparquet 使用标准json库解析列。架构很简单，如果可能的话就可以完成这项工作
  • 看看我是否可以重新运行生成输出的 Spark 作业并将其另存为其他内容，尽管这几乎不是一个可接受的解决方案，因为我的公司到处都使用镶木地板
  • 将映射的键转换为列，并使用 dtype 将数据分解为多个列，list并注意这些列中的数据通过索引相互关联/映射（例如，0这些键/列中 idx 中的元素都来自同一来源）。这会起作用，但坦率地说，让我心碎:(

我很想听听其他人是如何绕过这个限制的。我的公司经常在他们的 parquest 中使用嵌套数组，因此我不想放弃使用 Dask。

4

2 回答 2

2

更公平地说，pandas（目前）不太支持非简单类型。pyarrow 可能会在没有转换为 pandas 的情况下，并且作为未来的某个点，pandas 将直接使用这些箭头结构。

实际上，我认为您可以使用的最直接的方法是将列重写为 B/JSON 编码的文本，然后使用 fastparquet 加载，指定使用 B/JSON 加载。您应该在列中获得 dicts 列表，但性能会很慢。

请注意，旧项目oamap及其后继项目笨拙提供了一种使用 Python 语法迭代和聚合嵌套列表/映射/结构树的方法，但使用 Numba 编译，这样您就不需要实例化中间 Python 对象。它们不是为镶木地板设计的，但具有镶木地板的兼容性，因此可能对您有用。

于 2019-07-14T16:21:35.737 回答
2

pyarrow.lib.ArrowNotImplementedError: Reading lists of structs from Parquet files not yet supported当我尝试使用 Pandas 阅读时，我正在处理；但是，当我使用 pyspark 阅读然后转换为 pandas 时，数据至少会加载：

import pyspark
spark = pyspark.sql.SparkSession.builder.getOrCreate()
df = spark.read.load(path)
pdf = df.toPandas()

并且违规字段现在呈现为 pyspark Row 对象，该对象具有一些结构化解析，但您可能必须编写自定义 pandas 函数来从中提取数据：

>>> pdf["user"][0]["sessions"][0]["views"]
[Row(is_search=True, price=None, search_string='ABC', segment='listing', time=1571250719.393951), Row(is_search=True, price=None, search_string='ZYX', segment='homepage', time=1571250791.588197), Row(is_search=True, price=None, search_string='XYZ', segment='listing', time=1571250824.106184)]

单个记录可以呈现为字典，只需调用.asDict(recursive=True)您想要的 Row 对象。

不幸的是，启动 SparkSession 上下文大约需要 5 秒，而且每个 spark 操作也比 pandas 操作（对于中小型数据集）花费更长的时间，所以我非常喜欢更原生的 python 选项

于 2019-11-06T17:31:17.783 回答