awswrangler.s3.read_parquet忽略partition_filter参数

Question

partition_filter参数在wr.s3.read_parquet()中未能过滤S3上已分区的parquet数据集。下面是一个可重复的示例(可能需要正确配置的boto3_session参数)：

数据集设置：

import pandas as pd
import awswrangler as wr
import boto3

s3_path = "s3://bucket-name/folder"

df = pd.DataFrame({"val": [1,3,2,5], "date": ['2021-04-01','2021-04-01','2021-04-02','2021-04-03']})

wr.s3.to_parquet(
    df = df,
    path = s3_path,
    dataset = True,
    partition_cols = ['date']
)
#> {'paths': ['s3://bucket-name/folder/date=2021-04-01/38399541e6fe4fa7866181479dd28e8e.snappy.parquet',
#>   's3://bucket-name/folder/date=2021-04-02/0a556212b5f941c7aa3c3775d2387419.snappy.parquet',
#>   's3://bucket-name/folder/date=2021-04-03/cb71397bea104787a50a90b078d564bd.snappy.parquet'],
#>  'partitions_values': {'s3://aardvark-gdelt/headlines/date=2021-04-01/': ['2021-04-01'],
#>   's3://bucket-name/folder/date=2021-04-02/': ['2021-04-02'],
#>   's3://bucket-name/folder/date=2021-04-03/': ['2021-04-03']}}

然后，可以在控制台中查看S3数据：

​

​

但是，使用日期筛选器读取数据返回4条记录：

wr.s3.read_parquet(path = s3_path,
                   partition_filter = lambda x: x["date"] >= "2021-04-02"
)
#>      val
#> 0    1
#> 1    3
#> 2    2
#> 3    5

实际上，sub lambda x: False仍然返回4行。我遗漏了什么？这是来自指导的

partition_filter (可选的[可调用的[[Dictstr，str]，bool])-回调函数过滤器应用于分区列(下推过滤器)。此函数必须接收单个参数(Dictstr，str)，其中键是分区，名称和值是分区值。分区值将始终是从S3提取的字符串。此函数必须返回bool，即读取分区的True或忽略它的False。忽略如果dataset=False。*年“==”2020和x“月”== 1

我注意到返回的数据不包括上传数据中的分区'date‘列--在文档中看不到对此删除的引用，而且还不清楚是否相关。

Answer 1

从文档中，Ignored if dataset=False.。将dataset=True作为参数添加到read_parquet调用中将完成此任务