R:从 parquet 文件中读取前 n 行？

Question

我意识到 parquet 是一种列格式，但对于大文件，有时您不想在过滤之前将其全部读取到 R 中的内存中，前 1000 行左右可能足以进行测试。我在阅读 Parquet 文档 here 中没有看到选项.

我看到了 pandas 的解决方案 here ，以及 c# 的选项 here ，这两者对我来说都不太明显，如何将它们转换为 R。建议？

Answer 1

感谢 Jon 和 Dan 指出了正确的方向。

arrow::open_dataset() 允许延迟计算(文档[此处][1])，然后您可以从中获取 head() (但不能slice())，或filter()。这个过程更快，并且使用更少的峰值内存。下面的例子。

# https://stackoverflow.com/questions/73131505/r-reading-first-n-rows-from-parquet-file

library(dplyr)
library(arrow)
library(tictoc) #optional, used to time results

tic("read all of large parquet file")
my_animals <- read_parquet("data/my_animals.parquet")
toc() # slow and uses heaps of ram

tic("read parquet and write mini version")
my_animals <- open_dataset("data/my_animals.parquet") 
my_animals # this is a lazy object

my_animals %>% 
  #slice(1000L) %>% #doesn't work
  head(n=1000L) %>% 
  # filter(YEAROFBIRTH >= 2010) %>% #also works
  compute() %>% 
  write_parquet("data/my_animals_mini.parquet") # optional
toc() # much faster, much less peak ram used


  [1]: https://arrow.apache.org/docs/r/articles/dataset.html