读取大量 parquet 文件：read_parquet vs from_delayed

Question

我正在将大量（100 到 1000 个）镶木地板文件读入单个 dask 数据帧（单台机器，所有本地）。我意识到了

files = ['file1.parq', 'file2.parq', ...]
ddf = dd.read_parquet(files, engine='fastparquet')
ddf.groupby(['col_A', 'col_B']).value.sum().compute()

比

效率低很多

from dask import delayed
from fastparquet import ParquetFile

@delayed
def load_chunk(pth):
    return ParquetFile(pth).to_pandas()

ddf = dd.from_delayed([load_chunk(f) for f in files])
ddf.groupby(['col_A', 'col_B']).value.sum().compute()

对于我的特定应用程序，第二种方法 (from_delayed) 需要 6 秒才能完成，第一种方法需要 39 秒。在dd.read_parquet 案例中，在工人开始做某事之前似乎有很多开销，并且有很多transfer-... 操作分散在任务流图中。我想了解这里发生了什么。 read_parquet 方法慢得多的原因可能是什么？它与仅仅读取文件并将它们分成块有什么不同？

Answer 1

您正在体验客户端尝试建立数据列的最小/最大统计信息，从而为数据帧建立良好的索引。索引对于防止读取特定工作不需要的数据文件非常有用。

在很多情况下，这是一个好主意，因为文件中的数据量很大，而文件的总数很少。在其他情况下，相同的信息可能包含在特殊的“_metadata”文件中，因此无需先读取所有文件。

为了防止扫描文件的页脚，你应该调用

dd.read_parquet(..,. gather_statistics=False)

这应该是 dask 下一版本的默认设置。