使用 Parquet 文件

使用 Polars 扩展与优化数据流水线

Liam Brannigan

Data Scientist & Polars Contributor

文件存储格式

数据框示意图

示意图：CSV 为逐行存储，每条记录占一整行。

示意图：Parquet 为列式存储，相同列的值分组存放。

(
    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 与 parquet 对比示意图

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

示意图：Parquet 文件被划分为行组。

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

带有行组的 Parquet 文件示意图。

带有行组与统计信息的 Parquet 文件示意图。

(
    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,
)

使用 Polars 扩展与优化数据流水线