python - awswrangler.s3.read_parquet 忽略 partition_filter 参数

Question

wr.s3.read_parquet() 中的 partition_filter 参数无法过滤 S3 上的分区 Parquet 数据集。这是一个可重现的示例(可能需要正确配置的 boto3_session 参数):

数据集设置:

import pandas as pd
import awswrangler as wr
import boto3

s3_path = "s3://bucket-name/folder"

df = pd.DataFrame({"val": [1,3,2,5], "date": ['2021-04-01','2021-04-01','2021-04-02','2021-04-03']})

wr.s3.to_parquet(
    df = df,
    path = s3_path,
    dataset = True,
    partition_cols = ['date']
)
#> {'paths': ['s3://bucket-name/folder/date=2021-04-01/38399541e6fe4fa7866181479dd28e8e.snappy.parquet',
#>   's3://bucket-name/folder/date=2021-04-02/0a556212b5f941c7aa3c3775d2387419.snappy.parquet',
#>   's3://bucket-name/folder/date=2021-04-03/cb71397bea104787a50a90b078d564bd.snappy.parquet'],
#>  'partitions_values': {'s3://aardvark-gdelt/headlines/date=2021-04-01/': ['2021-04-01'],
#>   's3://bucket-name/folder/date=2021-04-02/': ['2021-04-02'],
#>   's3://bucket-name/folder/date=2021-04-03/': ['2021-04-03']}}

然后可以在控制台中查看 S3 数据:

但是使用日期过滤器读回会返回 4 条记录:

wr.s3.read_parquet(path = s3_path,
                   partition_filter = lambda x: x["date"] >= "2021-04-02"
)
#>      val
#> 0    1
#> 1    3
#> 2    2
#> 3    5

事实上 sub'ing lambda x: False 仍然返回 4 行。我错过了什么？这是来自 the guidance :

partition_filter (Optional[Callable[[Dict[str, str]], bool]]) –Callback Function filters to apply on PARTITION columns (PUSH-DOWNfilter). This function MUST receive a single argument (Dict[str, str])where keys are partitions names and values are partitions values.Partitions values will be always strings extracted from S3. Thisfunction MUST return a bool, True to read the partition or False toignore it. Ignored if dataset=False. E.g lambda x: True if x["year"]== "2020" and x["month"] == "1" else False

我注意到返回的数据帧不包括上传数据中的分区“日期”列 - 在文档中看不到对此删除的引用，并且不清楚是否相关。

Answer 1

根据文档，如果 dataset=False，则忽略。。将 dataset=True 作为参数添加到您的 read_parquet 调用中就可以了