如何从多个目录中读取多个带有相同模式的拼花文件

Question

我需要使用dask将具有相同模式的多个拼花文件加载到单个数据帧中。当它们都位于同一个目录中时，这是可行的，但当它们位于单独的目录中时，则不起作用。

例如：

import fastparquet
pfile = fastparquet.ParquetFile(['data/data1.parq', 'data/data2.parq'])

工作正常，但如果我将data2.parq复制到另一个目录，则以下内容无法工作：

pfile = fastparquet.ParquetFile(['data/data1.parq', 'data2/data2.parq'])

我得到的回溯如下：

---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
<ipython-input-11-b3d381f14edc> in <module>()
----> 1 pfile = fastparquet.ParquetFile(['data/data1.parq', 'data2/data2.parq'])

~/anaconda/envs/hv/lib/python3.6/site-packages/fastparquet/api.py in __init__(self, fn, verify, open_with, sep)
     82         if isinstance(fn, (tuple, list)):
     83             basepath, fmd = metadata_from_many(fn, verify_schema=verify,
---> 84                                                open_with=open_with)
     85             self.fn = sep.join([basepath, '_metadata'])  # effective file
     86             self.fmd = fmd

~/anaconda/envs/hv/lib/python3.6/site-packages/fastparquet/util.py in metadata_from_many(file_list, verify_schema, open_with)
    164     else:
    165         raise ValueError("Merge requires all PaquetFile instances or none")
--> 166     basepath, file_list = analyse_paths(file_list, sep)
    167 
    168     if verify_schema:

~/anaconda/envs/hv/lib/python3.6/site-packages/fastparquet/util.py in analyse_paths(file_list, sep)
    221     if len({tuple([p.split('=')[0] for p in parts[l:-1]])
    222             for parts in path_parts_list}) > 1:
--> 223         raise ValueError('Partitioning directories do not agree')
    224     for path_parts in path_parts_list:
    225         for path_part in path_parts[l:-1]:

ValueError: Partitioning directories do not agree

在使用dask.dataframe.read_parquet时，我会得到相同的错误，假设使用相同的ParquetFile对象。

如何从不同的目录加载多个文件？将我需要加载的所有文件放入同一个目录不是一个选项。

Answer 1

如果使用绝对路径或显式相对路径，这确实适用于主板上的快速拼板：

pfile = fastparquet.ParquetFile(['./data/data1.parq', './data2/data2.parq'])

对于领先的./的需求应该被认为是一个bug --参见问题。

Answer 2

Dask文档指出：

要从多个文件中读取数据，可以传递一个全局字符串或路径列表.

下面的解决方案允许在单独的parquet文件中使用不同的列，这对于这个答案.It来说是不可能的，因为它是一个本机dask命令。

import dask.dataframe as dd


files = ['temp/part.0.parquet', 'temp2/part.1.parquet']
df = dd.read_parquet(files)

df.compute()

Answer 3

解决方法是分别读取每个块并传递给dask.dataframe.from_delayed。这并不能完成与read_parquet完全相同的元数据处理(低于'index'的应该是索引)，但否则应该可以工作。

import dask.dataframe as dd    
from dask import delayed    
from fastparquet import ParquetFile

@delayed
def load_chunk(pth):
    return ParquetFile(pth).to_pandas()

files = ['temp/part.0.parquet', 'temp2/part.1.parquet']
df = dd.from_delayed([load_chunk(f) for f in files])

df.compute()

Out[38]: 
   index  a
0      0  1
1      1  2
0      2  3
1      3  4