Ctrl+K

pyarrow 快速上手

pyarrow 快速上手#

Arrow 通过数组（pyarrow.Array）管理数据，这些数组可以组合成表格（pyarrow.Table），以表示表格数据中的列。

Arrow 还支持各种格式，以便将表格数据从磁盘和网络中读取和写入。最常用的格式包括 Parquet（读取和写入 Apache Parquet 格式）和 IPC 格式（流式传输、序列化和 IPC）。

创建数组和表格#

Arrow 中的数组是统一类型的数据集合。这使得 Arrow 能够使用最佳性能的实现来存储数据并对其进行计算。因此，每个数组都包含数据和类型。

import pyarrow as pa

days = pa.array([1, 12, 17, 23, 28], type=pa.int8())
days

---------------------------------------------------------------------------
ModuleNotFoundError                       Traceback (most recent call last)
Cell In[1], line 1
----> 1 import pyarrow as pa
      3 days = pa.array([1, 12, 17, 23, 28], type=pa.int8())
      4 days

ModuleNotFoundError: No module named 'pyarrow'

多个数组可以结合在表格中，当附加到列名时，形成表格数据中的列。

months = pa.array([1, 3, 5, 7, 1], type=pa.int8())

years = pa.array([1990, 2000, 1995, 2000, 1995], type=pa.int16())

birthdays_table = pa.table([days, months, years],
                           names=["days", "months", "years"])


birthdays_table

---------------------------------------------------------------------------
NameError                                 Traceback (most recent call last)
Cell In[2], line 1
----> 1 months = pa.array([1, 3, 5, 7, 1], type=pa.int8())
      3 years = pa.array([1990, 2000, 1995, 2000, 1995], type=pa.int16())
      5 birthdays_table = pa.table([days, months, years],
      6                            names=["days", "months", "years"])

NameError: name 'pa' is not defined

请参阅 数据类型和内存中的数据模型 以获取更多详细信息。

保存和加载表格#

一旦你有了表格数据，Arrow 就提供了一些现成的功能来保存和恢复 Parquet 这样的常见格式的数据。

import pyarrow.parquet as pq

pq.write_table(birthdays_table, 'birthdays.parquet')

---------------------------------------------------------------------------
ModuleNotFoundError                       Traceback (most recent call last)
Cell In[3], line 1
----> 1 import pyarrow.parquet as pq
      3 pq.write_table(birthdays_table, 'birthdays.parquet')

ModuleNotFoundError: No module named 'pyarrow'

一旦你的数据存储在磁盘上，加载回来只需要一个简单的函数调用，Arrow 对内存和速度进行了大量优化，因此加载数据将尽可能快。

reloaded_birthdays = pq.read_table('birthdays.parquet')

reloaded_birthdays

---------------------------------------------------------------------------
NameError                                 Traceback (most recent call last)
Cell In[4], line 1
----> 1 reloaded_birthdays = pq.read_table('birthdays.parquet')
      3 reloaded_birthdays

NameError: name 'pq' is not defined

在 Arrow 中保存和加载数据通常通过 Parquet、IPC 格式（Feather 文件格式）、CSV 或 Line-Delimited JSON 格式进行。

执行计算#

Arrow 附带了一组计算函数，可以应用于其数组和表格，因此通过这些计算函数，可以对数据应用转换。

import pyarrow.compute as pc

pc.value_counts(birthdays_table["years"])

---------------------------------------------------------------------------
ModuleNotFoundError                       Traceback (most recent call last)
Cell In[5], line 1
----> 1 import pyarrow.compute as pc
      3 pc.value_counts(birthdays_table["years"])

ModuleNotFoundError: No module named 'pyarrow'

请参阅计算函数以获取可用计算函数的列表以及如何使用它们的说明。

处理大型数据#

Arrow 还提供了 pyarrow.dataset API 来处理大型数据，它将为您处理将数据分割成较小的块。

%rm -rf .temp/

import pyarrow.dataset as ds

ds.write_dataset(
    birthdays_table, ".temp", format="parquet",
    partitioning=ds.partitioning(
    pa.schema([birthdays_table.schema.field("years")]))
)

---------------------------------------------------------------------------
ModuleNotFoundError                       Traceback (most recent call last)
Cell In[7], line 1
----> 1 import pyarrow.dataset as ds
      3 ds.write_dataset(
      4     birthdays_table, ".temp", format="parquet",
      5     partitioning=ds.partitioning(
      6     pa.schema([birthdays_table.schema.field("years")]))
      7 )

ModuleNotFoundError: No module named 'pyarrow'

加载分区数据集时，将检测到块。

birthdays_dataset = ds.dataset(".temp", format="parquet", partitioning=["years"])

birthdays_dataset.files

---------------------------------------------------------------------------
NameError                                 Traceback (most recent call last)
Cell In[8], line 1
----> 1 birthdays_dataset = ds.dataset(".temp", format="parquet", partitioning=["years"])
      3 birthdays_dataset.files

NameError: name 'ds' is not defined

并且只有在迭代它们时才会懒加载数据块

import datetime

current_year = datetime.datetime.now(datetime.UTC).year

for table_chunk in birthdays_dataset.to_batches():
    print("AGES", pc.subtract(current_year, table_chunk["years"]))

---------------------------------------------------------------------------
NameError                                 Traceback (most recent call last)
Cell In[9], line 5
      1 import datetime
      3 current_year = datetime.datetime.now(datetime.UTC).year
----> 5 for table_chunk in birthdays_dataset.to_batches():
      6     print("AGES", pc.subtract(current_year, table_chunk["years"]))

NameError: name 'birthdays_dataset' is not defined

有关如何处理大型数据集、如何过滤它们、如何对它们进行规划等等的更多细节，请参考 Tabular Datasets 文档。

目录