pandas - pandas和parquet的使用效率

Question

人们经常谈论使用 parquet and pandas .我正在努力了解我们是否可以在与 pandas 一起使用时利用 parquet 文件的全部功能。例如，假设我有一个大的 Parquet 文件(按年份分区)，其中包含 30 列(包括年份、州、性别、姓氏)和许多行。我想加载 parquet 文件并执行类似的计算

import pandas as pd
df = pd.read_parquet("file.parquet")
df_2002 = df[df.year == 2002]
df_2002.groupby(["state", "gender"])["last_name"].count()

在此查询中，仅使用了 4 列(共 30 列)并且仅使用了年份 2002 分区。这意味着我们只想带来此计算所需的列和行，并且在带有谓词和投影下推的 Parquet 中可以实现类似的事情(以及我们使用 Parquet 的原因)。

但我想了解此查询在 Pandas 中的行为方式。它会在我们调用 df = pd.read_parquet("file.parquet) 时将所有内容都带入内存吗？或者这里应用了任何惰性因素来引入投影和谓词下推？如果不是在这种情况下，将 pandas 与 parquet 一起使用有什么意义？arrow package 可以实现这些吗？

尽管我没有使用过 dask 只是想知道这种情况是否可以在 dask 中处理，因为他们懒惰地执行它。

我确信这种情况在 spark 世界中得到了很好的处理，但只是想知道在本地场景中如何使用 pandas、arrow、dask、ibis 等包处理这些情况。

Answer 1

And I am trying hard to understand if we can utilize the entire features of parquet files when used with pandas.

TL;DR:是的，但与使用 Dask 之类的软件相比，您可能需要更加努力地工作。

For instance say I have a big parquet file (partitioned on year)

这是迂腐的，但单个 parquet 文件没有在任何地方进行分区。 Parquet“数据集”(文件集合)是分区的。例如:

my_dataset/year=2002/data.parquet
my_dataset/year=2003/data.parquet

Does it bring everything into memory the moment we call df = pd.read_parquet("file.parquet) ?

是的。但是……你可以做得更好:

df = pd.read_parquet('/tmp/new_dataset', filters=[[('year','=', 2002)]], columns=['year', 'state', 'gender', 'last_name'])

filters 关键字会将过滤器向下传递给 pyarrow，pyarrow 将以下推方式将过滤器应用于分区(例如，了解需要读取哪些目录)和行组统计信息.

columns 关键字会将列选择传递给 pyarrow，pyarrow 将应用选择以仅从磁盘读取指定的列。

Any of this is possible with the arrow package out there ?

pandas 的 read_parquet 文件中的所有内容都由 pyarrow 在幕后处理(除非您更改为其他引擎)。传统上，group_by 将由 pandas(好吧，也许是 numpy)直接处理，但如果您想尝试在 pyarrow 中做所有事情，pyarrow 也有一些实验性计算 API。

Eventhough I haven't used dask just wondering if this kind of situation is handled in dask as they perform it lazily.

据我了解(我对 dask 没有太多经验)，当你说...

df_2002 = df[df.year == 2002]
df_2002.groupby(["state", "gender"])["last_name"].count()

...在 dask 数据框中，dask 会发现它可以应用下推过滤器和谓词，并且它会在加载数据时这样做。所以 dask 负责确定您应该应用哪些过滤器以及您需要加载哪些列。这样您就不必提前自己弄清楚了。

完整示例(您可以使用 strace 来验证它只加载了两个 parquet 文件之一，并且只加载了该文件的一部分):

import pyarrow as pa
import pyarrow.dataset as ds
import pandas as pd

import shutil

shutil.rmtree('/tmp/new_dataset')
tab = pa.Table.from_pydict({
    "year": ["2002", "2002", "2002", "2002", "2002", "2002", "2003", "2003", "2003", "2003", "2003", "2003"],
    "state": [ "HI",   "HI",   "HI",   "HI",   "CO",   "CO",   "HI",   "HI",   "CO",   "CO",   "CO",   "CO"],
    "gender": [ "M",    "F",   None,    "F",    "M",    "F",   None,    "F",    "M",    "F",    "M",    "F"],
 "last_name": ["Smi", "Will", "Stev", "Stan",  "Smi", "Will", "Stev", "Stan",  "Smi", "Will", "Stev", "Stan"],
    "bonus": [    0,      1,      2,      3,      4,      5,      6,      7,      8,      9,     10,     11]
})
ds.write_dataset(tab, '/tmp/new_dataset', format='parquet', partitioning=['year'], partitioning_flavor='hive')

df = pd.read_parquet('/tmp/new_dataset', filters=[[('year','=', 2002)]], columns=['year', 'state', 'gender', 'last_name'])
df_2002 = df[df.year == 2002]
print(df.groupby(["state", "gender"])["last_name"].count())

免责声明:您在这里询问的是多项技术。我与 Apache Arrow 项目密切合作，因此我的回答可能偏向于那个方向。