为什么在索引 Parquet 文件上计算形状如此缓慢？

Question

我从位于同一文件夹中的多个 Parquet 文件创建了一个 Parquet 文件。每个文件对应一个分区。

Parquet 文件是在不同的进程中创建的（使用 Python concurrent.futures）。这是我在一个进程中运行的代码示例：

# `df` is a standard Pandas DataFrame with
# 22 columns of different types and at most 100e3 rows.

# Set the index
df.set_index("cid", inplace=True)

# Write to single file
fastparquet.write(fpath, df, compression='snappy, file_scheme='simple)

df 最多包含 100e3 行（和 22 列），并在整数索引（称为 cid）上编制索引。

然后我使用以下方法创建了两个元数据文件：

# `data_paths` contains the list of all the Parquet data files
# created in multiple processes.
fastparquet.writer.merge(data_paths, verify_schema=True)

确实，_metadata 和 _common_metadata 在包含所有 Parquet 文件的文件夹中正确创建。

我天真地认为，由于数据已编入索引和/或具有元数据文件，因此获取数据大小等基本信息应该很快。例如，以下内容需要永远：

import dask.dataframe as ds

# `dataset_path` is the path to the folder
# containing all the Parquet files created above
# and the metadata files.
# It contains ~100-200 individual Parquet files
# for a total of ~60,000,000 rows
data = df.read_parquet(dataset_path)
data.shape[0].compute()

那是例外吗？

另请注意，大多数列是int64、float64，少数是object（string，大小不一。

Answer 1

就个人而言，我直接使用 fastparquet 访问 Parquet 元数据，而不是 Dask。

元数据中有很多数据，因此值得一玩。

我进一步指出，如果您有很多文件，您可以将 fastparquet 操作放在延迟函数中，以使用 dask 并行读取 parquet 元数据。举个例子：

@dask.delayed
def read_pf(path_to_parquet_file):
   pf = fastparquet.ParquetFile(path_to_parquet_file)
   all_stats = pf.statistics.copy()
   all_info = pf.info.copy()

Answer 2

不幸的是，从元数据中提取数据帧长度的优化尚不存在。相反，dask 将每个分区加载到内存中并测量其长度。您会注意到，如果您选择单个列（或索引），这种情况会发生得更快：

len(data[onecolumn])

但是，对于 parquet 的特殊情况，您是完全正确的，长度是事先从一组或多组元数据中知道的，如果能够一口气得到它，那就太好了。请随时在 Dask 问题跟踪器上请求此功能。目前，您可以使用fastparquet.ParquetFile 的count 和columns 属性。