Arbeiten mit Parquet-Dateien

Skalieren und Optimieren von Data-Pipelines mit Polars

Liam Brannigan

Data Scientist & Polars Contributor

Dateispeicherformate

Diagramm eines DataFrames

Diagramm zeigt CSV als zeilenweise Speicherung, jede Zeile enthält einen kompletten Datensatz.

Diagramm zeigt Parquet als spaltenorientierte Speicherung, Werte derselben Spalte sind gruppiert.

(
    pl.read_csv("311_Service_Requests.csv", try_parse_dates=True)

)

(
    pl.read_csv("311_Service_Requests.csv", try_parse_dates=True)
    .write_parquet("311_Service_Requests.parquet")
)

pl.read_parquet_schema(
    "311_Service_Requests.parquet"
)

Schema(
    "CREATED_DATE": Datetime,
    "TYPE": String,
    "STATUS": String,
    "DEPARTMENT": String,
    "WARD": Int64,
    ...
)

csv vs parquet illustration

new_request = {"TYPE": "Pothole", "STATUS": "Open", ...}

Diagramm zeigt eine Parquet-Datei, geteilt in Row Groups.

(
    pl.scan_parquet("311_Service_Requests.parquet")
    .filter(pl.col("CREATED_DATE") < pl.datetime(2020, 1, 1))
)

Diagramm einer Parquet-Datei mit Row Groups.

Diagramm einer Parquet-Datei mit Row Groups und Statistiken.

(
    pl.scan_parquet(
        "311_Service_Requests.parquet",

    )
)

(
    pl.scan_parquet(
        "311_Service_Requests.parquet",
        parallel="row_groups",
    )
)

department_counts.write_parquet(
    "department_counts.parquet",
    compression_level=3,

)

department_counts.write_parquet(
    "department_counts.parquet",
    compression_level=3,
    row_group_size=25_000,
)

Skalieren und Optimieren von Data-Pipelines mit Polars