PyArrow 功能#
pandas 可以利用 PyArrow 来扩展功能并提高各种 API 的性能。 这包括
与 NumPy 相比,更广泛的 数据类型
所有数据类型的缺失数据支持 (NA)
高性能 I/O 读取器集成
促进与基于 Apache Arrow 规范的其他数据帧库的互操作性(例如 polars、cuDF)
要使用此功能,请确保您已 安装了最低支持的 PyArrow 版本。
数据结构集成#
一个 Series
、Index
或 DataFrame
的列可以直接由 pyarrow.ChunkedArray
支持,它类似于 NumPy 数组。要从主要的 pandas 数据结构中构建这些结构,您可以传入类型字符串,后跟 [pyarrow]
,例如 "int64[pyarrow]""
到 dtype
参数中。
In [1]: ser = pd.Series([-1.5, 0.2, None], dtype="float32[pyarrow]")
In [2]: ser
Out[2]:
0 -1.5
1 0.2
2 <NA>
dtype: float[pyarrow]
In [3]: idx = pd.Index([True, None], dtype="bool[pyarrow]")
In [4]: idx
Out[4]: Index([True, <NA>], dtype='bool[pyarrow]')
In [5]: df = pd.DataFrame([[1, 2], [3, 4]], dtype="uint64[pyarrow]")
In [6]: df
Out[6]:
0 1
0 1 2
1 3 4
注意
字符串别名 "string[pyarrow]"
映射到 pd.StringDtype("pyarrow")
,它与指定 dtype=pd.ArrowDtype(pa.string())
不等效。通常,对数据的操作行为类似,除了 pd.StringDtype("pyarrow")
可以返回 NumPy 支持的可空类型,而 pd.ArrowDtype(pa.string())
将返回 ArrowDtype
。
In [7]: import pyarrow as pa
In [8]: data = list("abc")
In [9]: ser_sd = pd.Series(data, dtype="string[pyarrow]")
In [10]: ser_ad = pd.Series(data, dtype=pd.ArrowDtype(pa.string()))
In [11]: ser_ad.dtype == ser_sd.dtype
Out[11]: False
In [12]: ser_sd.str.contains("a")
Out[12]:
0 True
1 False
2 False
dtype: boolean
In [13]: ser_ad.str.contains("a")
Out[13]:
0 True
1 False
2 False
dtype: bool[pyarrow]
对于接受参数的 PyArrow 类型,您可以将带有这些参数的 PyArrow 类型传入 ArrowDtype
以在 dtype
参数中使用。
In [14]: import pyarrow as pa
In [15]: list_str_type = pa.list_(pa.string())
In [16]: ser = pd.Series([["hello"], ["there"]], dtype=pd.ArrowDtype(list_str_type))
In [17]: ser
Out[17]:
0 ['hello']
1 ['there']
dtype: list<item: string>[pyarrow]
In [18]: from datetime import time
In [19]: idx = pd.Index([time(12, 30), None], dtype=pd.ArrowDtype(pa.time64("us")))
In [20]: idx
Out[20]: Index([12:30:00, <NA>], dtype='time64[us][pyarrow]')
In [21]: from decimal import Decimal
In [22]: decimal_type = pd.ArrowDtype(pa.decimal128(3, scale=2))
In [23]: data = [[Decimal("3.19"), None], [None, Decimal("-1.23")]]
In [24]: df = pd.DataFrame(data, dtype=decimal_type)
In [25]: df
Out[25]:
0 1
0 3.19 <NA>
1 <NA> -1.23
如果您已经拥有一个 pyarrow.Array
或 pyarrow.ChunkedArray
,您可以将其传递给 arrays.ArrowExtensionArray
来构建关联的 Series
、Index
或 DataFrame
对象。
In [26]: pa_array = pa.array(
....: [{"1": "2"}, {"10": "20"}, None],
....: type=pa.map_(pa.string(), pa.string()),
....: )
....:
In [27]: ser = pd.Series(pd.arrays.ArrowExtensionArray(pa_array))
In [28]: ser
Out[28]:
0 [('1', '2')]
1 [('10', '20')]
2 <NA>
dtype: map<string, string>[pyarrow]
要从 Series
或 Index
中检索 pyarrow pyarrow.ChunkedArray
,您可以在 Series
或 Index
上调用 pyarrow 数组构造函数。
In [29]: ser = pd.Series([1, 2, None], dtype="uint8[pyarrow]")
In [30]: pa.array(ser)
Out[30]:
<pyarrow.lib.UInt8Array object at 0x7fac4d182ec0>
[
1,
2,
null
]
In [31]: idx = pd.Index(ser)
In [32]: pa.array(idx)
Out[32]:
<pyarrow.lib.UInt8Array object at 0x7fac4d593b80>
[
1,
2,
null
]
要将 pyarrow.Table
转换为 DataFrame
,您可以使用 types_mapper=pd.ArrowDtype
调用 pyarrow.Table.to_pandas()
方法。
In [33]: table = pa.table([pa.array([1, 2, 3], type=pa.int64())], names=["a"])
In [34]: df = table.to_pandas(types_mapper=pd.ArrowDtype)
In [35]: df
Out[35]:
a
0 1
1 2
2 3
In [36]: df.dtypes
Out[36]:
a int64[pyarrow]
dtype: object
操作#
PyArrow 数据结构集成是通过 pandas 的 ExtensionArray
接口 实现的;因此,支持的功能存在于该接口集成在 pandas API 中的地方。此外,此功能在可用时使用 PyArrow 计算函数 加速。这包括
数值聚合
数值算术运算
数值舍入
逻辑和比较函数
字符串功能
日期时间功能
以下只是由原生 PyArrow 计算函数加速的操作的一些示例。
In [37]: import pyarrow as pa
In [38]: ser = pd.Series([-1.545, 0.211, None], dtype="float32[pyarrow]")
In [39]: ser.mean()
Out[39]: -0.6669999808073044
In [40]: ser + ser
Out[40]:
0 -3.09
1 0.422
2 <NA>
dtype: float[pyarrow]
In [41]: ser > (ser + 1)
Out[41]:
0 False
1 False
2 <NA>
dtype: bool[pyarrow]
In [42]: ser.dropna()
Out[42]:
0 -1.545
1 0.211
dtype: float[pyarrow]
In [43]: ser.isna()
Out[43]:
0 False
1 False
2 True
dtype: bool
In [44]: ser.fillna(0)
Out[44]:
0 -1.545
1 0.211
2 0.0
dtype: float[pyarrow]
In [45]: ser_str = pd.Series(["a", "b", None], dtype=pd.ArrowDtype(pa.string()))
In [46]: ser_str.str.startswith("a")
Out[46]:
0 True
1 False
2 <NA>
dtype: bool[pyarrow]
In [47]: from datetime import datetime
In [48]: pa_type = pd.ArrowDtype(pa.timestamp("ns"))
In [49]: ser_dt = pd.Series([datetime(2022, 1, 1), None], dtype=pa_type)
In [50]: ser_dt.dt.strftime("%Y-%m")
Out[50]:
0 2022-01
1 <NA>
dtype: string[pyarrow]
I/O 读取#
PyArrow 还提供已集成到多个 pandas I/O 读取器中的 I/O 读取功能。以下函数提供一个 engine
关键字,该关键字可以调度到 PyArrow 以加速从 I/O 源读取。
In [51]: import io
In [52]: data = io.StringIO("""a,b,c
....: 1,2.5,True
....: 3,4.5,False
....: """)
....:
In [53]: df = pd.read_csv(data, engine="pyarrow")
In [54]: df
Out[54]:
a b c
0 1 2.5 True
1 3 4.5 False
默认情况下,这些函数以及所有其他 I/O 读取器函数返回 NumPy 支持的数据。这些读取器可以通过指定参数 dtype_backend="pyarrow"
返回 PyArrow 支持的数据。读取器不需要设置 engine="pyarrow"
来返回 PyArrow 支持的数据。
In [55]: import io
In [56]: data = io.StringIO("""a,b,c,d,e,f,g,h,i
....: 1,2.5,True,a,,,,,
....: 3,4.5,False,b,6,7.5,True,a,
....: """)
....:
In [57]: df_pyarrow = pd.read_csv(data, dtype_backend="pyarrow")
In [58]: df_pyarrow.dtypes
Out[58]:
a int64[pyarrow]
b double[pyarrow]
c bool[pyarrow]
d string[pyarrow]
e int64[pyarrow]
f double[pyarrow]
g bool[pyarrow]
h string[pyarrow]
i null[pyarrow]
dtype: object
几个非 I/O 读取器函数也可以使用 dtype_backend
参数返回 PyArrow 支持的数据,包括