Werken met Parquet-bestanden

Data-pipelines schalen en optimaliseren met Polars

Liam Brannigan

Data Scientist & Polars Contributor

Bestandsopslagformaten

Diagram van een DataFrame

Diagram met CSV als rij-voor-rijopslag, met elk record over een volledige rij.

Diagram met Parquet als kolomgeoriënteerde opslag, met waarden uit dezelfde kolom gegroepeerd.

(
    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,
    ...
)

illustratie: csv vs parquet

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

Diagram met Parquet-bestand verdeeld in row groups.

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

Diagram van een Parquet-bestand met rowgroups.

Diagram van een Parquet-bestand met rowgroups en statistieken.

(
    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,
)

Data-pipelines schalen en optimaliseren met Polars