dask - 为什么在 dask 中计算索引 Parquet 文件的形状如此缓慢？

Question

我从同一文件夹中的多个 Parquet 文件创建了一个 Parquet 文件。每个文件对应一个分区。

Parquet 文件是在不同的进程中创建的(使用 Python concurrent.futures)。这是我在一个进程中运行的代码示例:

# `df` is a standard Pandas DataFrame with
# 22 columns of different types and at most 100e3 rows.

# Set the index
df.set_index("cid", inplace=True)

# Write to single file
fastparquet.write(fpath, df, compression='snappy, file_scheme='simple)

df 最多包含 100e3 行(和 22 列)并在整数索引(称为 cid)上进行索引。

然后我使用以下方法创建了两个元数据文件:

# `data_paths` contains the list of all the Parquet data files
# created in multiple processes.
fastparquet.writer.merge(data_paths, verify_schema=True)

并且确实在包含所有 Parquet 文件的文件夹中正确创建了 _metadata 和 _common_metadata。

我天真地认为，因为数据被索引和/或它有元数据文件，所以获取数据大小等基本信息应该很快。例如，以下需要永远:

import dask.dataframe as ds

# `dataset_path` is the path to the folder
# containing all the Parquet files created above
# and the metadata files.
# It contains ~100-200 individual Parquet files
# for a total of ~60,000,000 rows
data = df.read_parquet(dataset_path)
data.shape[0].compute()

那是异常(exception)吗？

另请注意，大多数列是int64、float64，少数是object(string大小不一。

Answer 1

不幸的是，从元数据中提取数据帧长度的优化尚不存在。相反，dask 将每个分区加载到内存中并测量其长度。您会注意到，如果您选择单个列(或索引)，这种情况发生得更快:

len(data[onecolumn])

但是，对于 parquet 的特殊情况，您是完全正确的，长度是预先从一组或多组元数据中知道的，并且能够一次获得它会很好。请随时在 Dask 问题跟踪器上请求此功能。现在，您可以使用 fastparquet.ParquetFile 的 count 和 columns 属性。