Menyimpan divisi kerangka data ke parket dengan dask

Saat ini saya mencoba menyimpan dan membaca informasi dari dask ke file parket. Tetapi ketika mencoba menyimpan kerangka data dengan dask "to_parquet" dan memuatnya lagi dengan "read_parquet" sepertinya informasi pembagiannya hilang.

>>df.divisions
(Timestamp('2014-10-01 17:25:17.928000'), Timestamp('2014-10-01 17:27:18.000860'), Timestamp('2014-10-01 17:29:19.000860'), Timestamp('2014-10-01 17:31:19.000860'), Timestamp('2014-10-01 17:33:20.000860'), Timestamp('2014-10-01 17:35:20.763000'), Timestamp('2014-10-01 17:36:12.992860'))
>>df.to_parquet(folder)
>>del df
>>df = dask.dataframe.read_parquet(folder)
>>df.divisions
(None, None, None, None, None, None, None)

Apakah ini memang disengaja? Solusi saya saat ini adalah mengatur indeks lagi setelah memuat tetapi itu membutuhkan banyak waktu.

>> df = dask.dataframe.read_parquet(folder,index=False).set_index('timestamp', sorted=True)
>> df.divisions
(Timestamp('2014-10-01 17:25:17.928000'), Timestamp('2014-10-01 17:27:18.000860'), Timestamp('2014-10-01 17:29:19.000860'), Timestamp('2014-10-01 17:31:19.000860'), Timestamp('2014-10-01 17:33:20.000860'), Timestamp('2014-10-01 17:35:20.763000'), Timestamp('2014-10-01 17:36:12.992860'))

Atau apakah saya kehilangan beberapa opsi saat menyimpan dan memuat?


python parquet dataframe dask dask-distributed
person lennart    schedule 22.11.2017    source sumber

Jawaban (1)


arrow_upward
1
arrow_downward

Diuji dengan backend fastparquet, tampaknya berfungsi:

> import pandas.util.testing as tm
> df = tm.makeTimeDataFrame()
> df
                   A         B         C         D
2000-01-03 -0.414197  0.459438  1.105962 -0.791487
2000-01-04 -0.875873  0.987601  0.881839 -1.339756
2000-01-05  0.552543  3.415769  1.008780  0.127757
...
> d = dd.from_pandas(df, 2)
> d.to_parquet('temp.parq')
> dd.read_parquet('temp.parq').divisions
(Timestamp('2000-01-03 00:00:00'),
 Timestamp('2000-01-24 00:00:00'),
 Timestamp('2000-02-11 00:00:00'))
person mdurant    schedule 23.11.2017
comment
Terima kasih! Kamu benar. Setelah jawaban Anda, saya memeriksa ulang data saya dan menyadari bahwa sampel tidak diurutkan dengan benar. Setelah mengocoknya dengan set_index(sorted=False) saya dapat membaca/menulis data dengan informasi pembagian yang benar ke parket. - person lennart; 24.11.2017