parquet - 如何使用 Pyarrow 更改 Parquet 文件中列的名称？

Question

我有数百个用 PyArrow 创建的 Parquet 文件。然而，其中一些文件的字段/列的名称(我们称其为 Orange)与原始列(称其为 Sporange)略有不同，因为其中一个使用了查询的变体。否则，数据(所有其他字段和所有数据)是相同的。在数据库世界中，我会执行 ALTER TABLE 并重命名该列。但是，我不知道如何用 parquet/PyArrow 做到这一点

有没有办法重命名文件中的列，而不必重新生成或复制文件？

或者，我可以读取它(我假设是 read_table 或 ParquetFile)，更改对象中的列(不确定该怎么做)并将其写出吗？

我看到“rename_columns”，但不确定它是如何工作的；我尝试单独使用它，它说“rename_columns is not defined”。

rename_columns(self, names) Create new table with columns renamed to provided names.

非常感谢!

Answer 1

我怀疑您使用的 pyarrow 版本不支持 rename_columns。你可以运行 pa.__version__ 来检查吗？

否则你想做的很简单，在下面的例子中我将 b 列重命名为 c:

import pyarrow as pa
import pyarrow.parquet as pq

col_a = pa.array([1, 2, 3], pa.int32())
col_b = pa.array(["X", "Y", "Z"], pa.string())

table = pa.Table.from_arrays(
    [col_a, col_b],
    schema=pa.schema([
        pa.field('a', col_a.type),
        pa.field('b', col_b.type),
    ])
)

pq.write_table(table, '/tmp/original')
original = pq.read_table('/tmp/original')
renamed = original.rename_columns(['a', 'c'])
pq.write_table(renamed, '/tmp/renamed')