python - 加载多个 parquet 文件时保留 dask 数据帧划分

Question

我在数据框中有一些时间序列数据，以时间为索引。索引已排序，数据存储在多个 parquet 文件中，每个文件中包含一天的数据。我用的是dask 2.9.1

当我从一个 Parquet 文件加载数据时，划分设置正确。

当我从多个文件加载数据时，我没有在生成的 dask 数据框中获取设备。

下面的例子说明了这个问题:

import pandas as pd 
import pandas.util.testing as tm
import dask.dataframe as dd

df = tm.makeTimeDataFrame( 48, "H")

df1 = df[:24].sort_index()
df2 = df[24:].sort_index()
dd.from_pandas( df1, npartitions=1 ).to_parquet( "df1d.parq", engine="fastparquet" ) 
dd.from_pandas( df2, npartitions=1 ).to_parquet( "df2d.parq", engine="fastparquet" )
ddf = dd.read_parquet( "df*d.parq", infer_divisions=True, sorted_index=True, engine="fastparquet"  ) 
print(ddf.npartitions, ddf.divisions)

这里我得到 2 个分区和 (None, None, None) 作为分区

我可以使用 dd.read_parquet 将分区设置为实际值吗？

<小时/>

更新

在我的实际数据中，我每天都有一个 Parquet 文件。

这些文件是通过保存数据帧中的数据来创建的，其中时间戳用作索引。索引已排序。每个文件的大小为 100-150MB，加载到内存时使用应用程序 2.5GB RAM，激活索引非常重要，因为重新创建索引非常繁重。

我没有设法在 read_parquet 上找到参数或引擎的组合，使其在加载时创建分区。

数据文件名为“yyyy-mm-dd.parquet”，因此我根据该信息创建分区:

from pathlib import Path
files = list (Path("e:/data").glob("2019-06-*.parquet") )
divisions = [  pd.Timestamp( f.stem) for f in files ] + [ pd.Timestamp( files[-1].stem) + pd.Timedelta(1, unit='D' ) ]
ddf = dd.read_parquet( files )
ddf.divisions = divisions

这不会启用索引的使用，并且在某些情况下会失败并显示“TypeError:只能将元组(而不是“列表”)连接到元组”

然后我尝试将除法设置为元组ddf.divisions = tuple(divisions) 然后它就起作用了。当索引设置正确时，dask 的速度非常快

<小时/>

更新2

更好的方法是单独读取 dask 数据帧，然后将它们连接起来:

from pathlib import Path
import dask.dataframe as dd
files = list (Path("e:/data").glob("2019-06-*.parquet") )
ddfs = [ dd.read_parquet( f ) for f in files ]
ddf = dd.concat(ddfs, axis=0)

通过这种方式设置分区，它还解决了随着时间的推移处理列添加的另一个问题。

Answer 1

下面我重写了原来的问题以使用 concat，这解决了我的问题

import pandas as pd 
import pandas.util.testing as tm
import dask.dataframe as dd

# create two example parquet files
df = tm.makeTimeDataFrame( 48, "H")
df1 = df[:24].sort_index()
df2 = df[24:].sort_index()
dd.from_pandas( df1, npartitions=1 ).to_parquet( "df1d.parq" ) 
dd.from_pandas( df2, npartitions=1 ).to_parquet( "df2d.parq" )

# read the files and concatenate
ddf = dd.concat([dd.read_parquet( d ) for d in ["df1d.parq", "df2d.parq"] ], axis=0)

print(ddf.npartitions, ddf.divisions)

我仍然得到预期的 2 个分区，但现在的分区是 (Timestamp('2000-01-01 00:00:00'), Timestamp('2000-01-02 00:00:00' ), 时间戳('2000-01-02 23:00:00'))