执行操作时:Dask.dataframe.to_parquet(data)
,如果data
是通过Dask
读取的,具有给定的分区数,并且您在删除了一些列后尝试将其保存为 Parquet 格式,但它失败了,例如以下错误:
FileNotFoundError: [Errno 2] No such file or directory: part.0.parquet'
有人遇到同样的问题吗?
这是一个最小的例子 - 请注意方式 1 按预期工作,而方式 2 不工作:
import numpy as np
import pandas as pd
import dask.dataframe as dd
# -------------
# way 1 - works
# -------------
print('way 1 - start')
A = np.random.rand(200,300)
cols = np.arange(0, A.shape[1])
cols = [str(col) for col in cols]
df = pd.DataFrame(A, columns=cols)
ddf = dd.from_pandas(df, npartitions=11)
# compute and resave
ddf.drop(cols[0:11], axis=1)
dd.to_parquet(
ddf, 'error.parquet', engine='auto', compression='default',
write_index=True, overwrite=True, append=False)
print('way 1 - end')
# ----------------------
# way 2 - does NOT work
# ----------------------
print('way 2 - start')
ddf = dd.read_parquet('error.parquet')
# compute and resave
ddf.drop(cols[0:11], axis=1)
dd.to_parquet(
ddf, 'error.parquet', engine='auto', compression='default',
write_index=True, overwrite=True, append=False)
print('way 2 - end')
最佳答案
哦,太好了,您发现了一个由于 overwrite=True
选项引起的错误。所以当 overwrite=True
选项被设置时会发生什么,dask 删除路径,参见 these lines .现在,在您的示例中 ddf
是惰性的,因此当需要写入数据时,dask 会尝试读取文件,但它们现在已经消失了。
因此,一种解决方案是将新数据框保存到不同的路径,然后删除旧文件夹并将新数据框的文件夹移动到旧文件夹(一些选项是 here )。
另一种选择是将 ddf
加载到内存中(如果适合),然后使用您的代码:
print('way 2 - start')
ddf = dd.read_parquet('error.parquet')
# # compute and persist in memory (note do not use
# # .compute because the dataframe will turn into
# # pandas data frame
ddf = ddf.drop(cols[0:11], axis=1)
ddf = ddf.persist()
dd.to_parquet(
ddf, 'error.parquet', engine='auto', compression='default',
write_index=True, overwrite=True, append=False)
# print('way 2 - end')
作为旁注,当您运行 ddf.drop(cols[0:11], axis=1)
时,如果您希望在数据框中更改它,则需要分配它:
ddf = ddf.drop(cols[0:11], axis=1)
更新:有一些相关的讨论here
关于python - 保存到 Parquet 会在 Dask.dataframe 中引发错误,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/66794328/