pandas - 将 Parquet 数据转换为 Pandas 数据框时的数据类型问题

Question

将 Parquet 文件转换为数据框时，我遇到了文件类型问题。

我愿意

bucket = 's3://some_bucket/test/usages'

import pyarrow.parquet as pq
import s3fs
s3 = s3fs.S3FileSystem()

read_pq = pq.ParquetDataset(bucket, filesystem=s3).read_pandas()

当我这样做时 read_pq ，我得到

pyarrow.Table
_COL_0: decimal(9, 0)
_COL_1: decimal(9, 0)
_COL_2: decimal(9, 0)
_COL_3: decimal(9, 0)

当我这样做时 df = read_pd.to_pandas(); df.dtypes ，我得到

_COL_0    object
_COL_1    object
_COL_2    object
_COL_3    object
dtype: object

原始数据都是整数。当我对 pandas 数据帧中的对象进行操作时，操作非常缓慢。

如何将 Parquet 列转换为可在 Pandas 中读取为 int 或 float 的格式？

或者最好像上面一样对pandas数据帧进行操作并使用pd.to_numeric或类似？

或者原始数据格式有问题decimal(9, 0) ?

还是最好直接在 Pandas 数据帧上进行转换？

我试过: read_pq.column('_COL_0').cast('int32')抛出一个错误，如

No cast implemented from decimal(9, 0) to int32

Answer 1

Pandas 对整数等很有趣。根据我在阅读 Pandas 文档时的理解，Pandas 似乎并没有真正的 int 与 float 的概念，并且主要适用于 float 值。
在这种情况下，我会继续使用 astype 开始处理您的数据，如下所示:

df['_COL_0'] = df['_COL_0'].astype(float)

如果它们确实都是整数，那么您应该能够使用这个简单的 for 循环将所有 Pandas 系列(列)转换为浮点值，如下所示:

for col in df.columns:
  df[col] = df[col].astype(float)

如果这对您有用，请告诉我，我刚刚在我的 Jupyter NoteBook 中进行了测试，似乎成功了。