由于数据使用者的一些限制,我需要“重写”一些 parquet 文件,以将纳秒精度的时间戳转换为毫秒精度的时间戳。
我已经实现了这个并且它有效,但我对此并不完全满意。
import pandas as pd
df = pd.read_parquet(
f's3://{bucket}/{key}', engine='pyarrow')
for col_name in df.columns:
if df[col_name].dtype == 'datetime64[ns]':
df[col_name] = df[col_name].values.astype('datetime64[ms]')
df.to_parquet(f's3://{outputBucket}/{outputPrefix}{additionalSuffix}',
engine='pyarrow', index=False)
我目前正在 lambda 中为每个文件运行此作业,但我可以看到这可能会很昂贵,并且如果作业花费的时间超过 15 分钟,则可能并不总是有效,因为这是 Lambda 可以运行的最长时间。
文件可以较大(>500 MB)。
我可以考虑的任何想法或其他方法吗?我无法使用 pyspark,因为我的数据集包含无符号整数。
最佳答案
您可以尝试一次重写所有列。也许这会减少 pandas 中的一些内存副本,从而加快该过程(如果您有很多列):
df_datetimes = df.select_dtypes(include="datetime64[ns]")
df[df_datetimes.columns] = df_datetimes.astype("datetime64[ms]")
关于python - 提高 Parquet 文件中重写时间戳的性能,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/56436632/