Parquet फाइलों के साथ काम

Polars के साथ Data Pipelines का स्केलिंग और ऑप्टिमाइज़ेशन

Liam Brannigan

Data Scientist & Polars Contributor

फाइल स्टोरेज फॉर्मैट

एक DataFrame का चित्र

CSV को पंक्ति-दर-पंक्ति स्टोरेज दिखाने वाला चित्र, हर रिकॉर्ड पूरी पंक्ति में सहेजा जाता है.

Parquet को कॉलम-ओरिएंटेड स्टोरेज दिखाने वाला चित्र, एक ही कॉलम के मान साथ रखे जाते हैं.

(
    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 और parquet तुलना चित्र

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

पंक्ति समूहों में बँटी Parquet फाइल का चित्र.

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

Row groups वाले Parquet फाइल का चित्र.

Row groups और आँकड़ों वाले Parquet फाइल का चित्र.

(
    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,
)

Polars के साथ Data Pipelines का स्केलिंग और ऑप्टिमाइज़ेशन