使用 Parquet 檔案

使用 Polars 擴充與最佳化資料管線

Liam Brannigan

Data Scientist & Polars Contributor

檔案儲存格式

DataFrame 示意圖

圖示說明 CSV 為逐列儲存，每筆紀錄橫跨整列。

圖示說明 Parquet 為欄式儲存，同欄位的值被分組在一起。

(
    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 與 parquet 比較示意圖

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

顯示 Parquet 檔分成列群組的圖。

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

含列群組的 Parquet 檔示意圖。

含列群組與統計資訊的 Parquet 檔示意圖。

(
    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 擴充與最佳化資料管線