使用 dask read_parquet 方法过滤会产生不需要的结果

Question

我正在尝试使用dask read_parquet方法和filterskwarg读取镶木地板文件。但是它有时不会根据给定的条件进行过滤。

示例：使用dates列创建和保存数据框

import pandas as pd
import numpy as np
import dask.dataframe as dd

nums  = range(1,6)
dates = pd.date_range('2018-07-01', periods=5, freq='1d')
df = pd.DataFrame({'dates':dates, 'nums': nums})

ddf = dd.from_pandas(df, npartitions=3).to_parquet('test_par', engine = 'fastparquet')

当我dates从'test_par'文件夹中读取和过滤列时，它似乎不起作用

filters=[('dates', '>', np.datetime64('2018-07-04'))]
df  = dd.read_parquet('test_par', engine='fastparquet', filters=filters).compute()

正如您在输出中看到的那样，2018-07-03并且2018-07-04存在。

+-------+------------+------+
|       | dates      | nums |
+-------+------------+------+
| index |            |      |
+-------+------------+------+
| 2     | 2018-07-03 | 3    |
+-------+------------+------+
| 3     | 2018-07-04 | 4    |
+-------+------------+------+
| 4     | 2018-07-05 | 5    |
+-------+------------+------+

难道我做错了什么 ？还是我应该在 github 上报告这个？

Answer 1

该filters关键字是行组地动作（行组是用于一个数据帧中的数据行集，如分区拼花术语）。它不会在分区内进行任何过滤。

当您使用 时filters，您将排除分区，根据文件中的最大/最小统计信息，给定分区中没有与给定过滤器匹配的行。例如，如果指定 x>5，则 min=2,max=4 的分区将被排除，但 min=2,max=6 的分区不会，即使后者将只包含一些满足筛选。

要过滤数据，您仍应使用通常的语法

df[df.dates > np.datetime64('2018-07-04')]

除了过滤器，并将过滤器的使用视为可选优化。没有它，Dask 甚至必须读取没有好的数据的分区，然后应用条件，导致这些分区没有结果。如果可能，最好不要加载它们。