开发者#

本节将重点介绍 pandas 的下游应用。

在 Apache Parquet 格式中存储 pandas DataFrame 对象#

Apache Parquet 格式在文件和列级别提供键值元数据，存储在 Parquet 文件的页脚中

5: optional list<KeyValue> key_value_metadata

其中 KeyValue 是

struct KeyValue {
  1: required string key
  2: optional string value
}

为了能够准确地重构 pandas.DataFrame，我们在 FileMetaData 中存储了一个 pandas 元数据键，其值存储为

{'index_columns': [<descr0>, <descr1>, ...],
 'column_indexes': [<ci0>, <ci1>, ..., <ciN>],
 'columns': [<c0>, <c1>, ...],
 'pandas_version': $VERSION,
 'creator': {
   'library': $LIBRARY,
   'version': $LIBRARY_VERSION
 }}

'index_columns' 字段中的“描述符”值 <descr0> 是字符串（指代列）或字典，其值如下所述。

<c0>/<ci0> 等是包含每列元数据的字典，包括索引列。其 JSON 格式为

{'name': column_name,
 'field_name': parquet_column_name,
 'pandas_type': pandas_type,
 'numpy_type': numpy_type,
 'metadata': metadata}

有关这些的详细规范，请参见下文。

索引元数据描述符#

RangeIndex 可以仅作为元数据存储，无需序列化。其描述符格式如下

index = pd.RangeIndex(0, 10, 2)
{
    "kind": "range",
    "name": index.name,
    "start": index.start,
    "stop": index.stop,
    "step": index.step,
}

其他索引类型必须与其余 DataFrame 列一起作为数据列进行序列化。这些索引的元数据是指示数据列中字段名称的字符串，例如 '__index_level_0__'。

如果一个索引的 name 属性不为 None，并且没有其他列的名称与该值匹配，则可以使用 index.name 值作为描述符。否则（对于无名索引以及名称与其他列名冲突的索引），应使用与模式 __index_level_\d+__ 匹配的消歧名称。在具名索引作为数据列的情况下，name 属性总是存储在上述列描述符中。

列元数据#

pandas_type 是列的逻辑类型，可以是以下之一

  • 布尔型: 'bool'

  • 整型: 'int8', 'int16', 'int32', 'int64', 'uint8', 'uint16', 'uint32', 'uint64'

  • 浮点型: 'float16', 'float32', 'float64'

  • 日期和时间类型: 'datetime', 'datetimetz', 'timedelta'

  • 字符串类型: 'unicode', 'bytes'

  • 分类类型: 'categorical'

  • 其他 Python 对象: 'object'

numpy_type 是列的物理存储类型，它是保存数据的底层 NumPy 数组的 str(dtype) 的结果。因此，对于 datetimetz，它是 datetime64[ns]；对于分类类型，它可以是任何受支持的整数分类类型。

metadata 字段为 None，但以下类型除外

  • datetimetz: {'timezone': zone, 'unit': 'ns'}，例如 {'timezone', 'America/New_York', 'unit': 'ns'}。'unit' 是可选的，如果省略，则假定为纳秒。

  • categorical: {'num_categories': K, 'ordered': is_ordered, 'type': $TYPE}

    • 这里的 'type' 是可选的，并且可以是嵌套的 pandas 类型规范（但不能是分类类型）

  • unicode: {'encoding': encoding}

    • 编码是可选的，如果不存在则为 UTF-8

  • object: {'encoding': encoding}。对象可以序列化并存储在 BYTE_ARRAY Parquet 列中。编码可以是以下之一

    • 'pickle'

    • 'bson'

    • 'json'

  • timedelta: {'unit': 'ns'}。'unit' 是可选的，如果省略，则假定为纳秒。此元数据可以完全省略

对于除这些之外的类型，可以省略 'metadata' 键。如果键不存在，实现可以假定为 None。

一个完整的元数据示例

{'index_columns': ['__index_level_0__'],
 'column_indexes': [
     {'name': None,
      'field_name': 'None',
      'pandas_type': 'unicode',
      'numpy_type': 'object',
      'metadata': {'encoding': 'UTF-8'}}
 ],
 'columns': [
     {'name': 'c0',
      'field_name': 'c0',
      'pandas_type': 'int8',
      'numpy_type': 'int8',
      'metadata': None},
     {'name': 'c1',
      'field_name': 'c1',
      'pandas_type': 'bytes',
      'numpy_type': 'object',
      'metadata': None},
     {'name': 'c2',
      'field_name': 'c2',
      'pandas_type': 'categorical',
      'numpy_type': 'int16',
      'metadata': {'num_categories': 1000, 'ordered': False}},
     {'name': 'c3',
      'field_name': 'c3',
      'pandas_type': 'datetimetz',
      'numpy_type': 'datetime64[ns]',
      'metadata': {'timezone': 'America/Los_Angeles'}},
     {'name': 'c4',
      'field_name': 'c4',
      'pandas_type': 'object',
      'numpy_type': 'object',
      'metadata': {'encoding': 'pickle'}},
     {'name': None,
      'field_name': '__index_level_0__',
      'pandas_type': 'int64',
      'numpy_type': 'int64',
      'metadata': None}
 ],
 'pandas_version': '1.4.0',
 'creator': {
   'library': 'pyarrow',
   'version': '0.13.0'
 }}