开发者#

本节将重点介绍 pandas 的下游应用。

将 pandas DataFrame 对象存储在 Apache Parquet 格式中#

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
}

为了能够忠实地重建 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 <descr0> “描述符” 值是字符串（引用一列）或字典，其值如下所述。

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

{'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，不需要序列化。这些的描述符格式如下：

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 DataFrame 的其他列一起序列化为数据列。这些的元数据是一个字符串，指示数据列中字段的名称为，例如 '__index_level_0__'。

如果一个索引有一个非空的 name 属性，并且没有其他列的名称与该值匹配，那么可以使用 index.name 值作为描述符。否则（对于未命名的索引和名称与其他列名冲突的索引）应使用模式匹配 __index_level_\d+__ 的消除歧义的名称。在作为数据列的命名索引的情况下，name 属性总是如上所述存储在列描述符中。

列元数据#

pandas_type 是列的逻辑类型，并且是以下之一：

  • 布尔值: 'bool'

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

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

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

  • 字符串: 'unicode', 'bytes'

  • 分类：'categorical'

  • 其他 Python 对象：'object'

numpy_type 是列的物理存储类型，这是底层NumPy数组保存数据时 str(dtype) 的结果。因此，对于 datetimetz ，这是 datetime64[ns] ，而对于分类，可能是任何支持的整数分类类型。

metadata 字段除了以下情况外，都是 None：

  • 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 'type' 是可选的，并且可以是一个嵌套的 pandas 类型规范（但不是分类类型）

  • unicode: {'encoding': encoding}

    • 编码是可选的，如果不存在则是 UTF-8

  • object: {'encoding': encoding}. 对象可以被序列化并存储在 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。这个元数据完全是可选的。

对于这些类型以外的类型，可以省略 'metadata' 键。如果键不存在，实现可以假设为 None。

作为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'
 }}