逐行构造pyarrow表的最快方法

Question

我有一个大字典，我想遍历它来构建一个 pyarrow 表。字典的值是不同类型的元组，需要解包并存储在最终 pyarrow 表中的单独列中。我确实提前知道架构。键也需要存储为一列。我在下面有一种方法可以逐行构造表格 - 还有另一种更快的方法吗？对于上下文，我想将一个大字典解析为一个 pyarrow 表以写入一个镶木地板文件。 RAM 使用比 CPU 时间更重要。我不想下拉到箭头 C++ API。

import pyarrow as pa
import random
import string 
import time

large_dict = dict()

for i in range(int(1e6)):
    large_dict[i] = (random.randint(0, 5), random.choice(string.ascii_letters))


schema = pa.schema({
        "key"  : pa.uint32(),
        "col1" : pa.uint8(),
        "col2" : pa.string()
   })

start = time.time()

tables = []
for key, item in large_dict.items():
    val1, val2 = item
    tables.append(
            pa.Table.from_pydict({
                    "key"  : [key],
                    "col1" : [val1],
                    "col2" : [val2]
                }, schema = schema)

            )

table = pa.concat_tables(tables)
end = time.time()
print(end - start) # 22.6 seconds on my machine

Answer 1

我也在玩 pyarrow。 对我来说，您的代码数据准备阶段（随机等）似乎是最耗时的部分。 所以可能首先尝试将数据转换为数组的字典，然后将它们提供给箭头表。

请看，我根据您的数据和%%timeit-ing 仅表填充阶段进行示例。但是用RecordBatch.from_arrays() 和三个数组组成的数组来做。

I = iter(pa.RecordBatch.\
         from_arrays(
                      get_data(l0, l1_0, l2, i),
                      schema=schema) for i in range(1000)
        )

T1 = pa.Table.from_batches(I, schema=schema)

使用静态数据集 1000 行批处理 1000 次 - 表填充了令人难以置信的 15 毫秒 :) 由于缓存可能。 并且修改了 1000 行，例如 col1*integer 批处理 1000 次 - 33.3 ms，这看起来也不错。

我的样本notebook is here

附言。我想知道 numba jit 是否会有所帮助，但似乎它只会让时间变得更糟。

Answer 2

由于提前知道架构，您可以为每一列创建一个列表并构建一个列名和列值对的字典。

%%timeit -r 10
import pyarrow as pa
import random
import string 
import time

large_dict = dict()

for i in range(int(1e6)):
    large_dict[i] = (random.randint(0, 5), random.choice(string.ascii_letters))


schema = pa.schema({
        "key"  : pa.uint32(),
        "col1" : pa.uint8(),
        "col2" : pa.string()
  })

keys = []
val1 = []
val2 = []
for k, (v1, v2) in large_dict.items():
  keys.append(k)
  val1.append(v1)
  val2.append(v2)

table = pa.Table.from_pydict(
    dict(
        zip(schema.names, (keys, val1, val2))
    ),
    schema=schema
)

每个循环 2.92 秒 ± 236 毫秒（平均值 ± 标准偏差。10 次运行，每个循环 1 个）