ray.data.Dataset.write_parquet#

Dataset.write_parquet(path: str, *, filesystem: pyarrow.fs.FileSystem | None = None, try_create_dir: bool = True, arrow_open_stream_args: Dict[str, Any] | None = None, filename_provider: FilenameProvider | None = None, arrow_parquet_args_fn: Callable[[], Dict[str, Any]] | None = None, num_rows_per_file: int | None = None, ray_remote_args: Dict[str, Any] = None, concurrency: int | None = None, **arrow_parquet_args) → None[源代码]#

将 Dataset 写入到指定 path 下的 parquet 文件中。

文件的数量由数据集中的块数决定。要控制块的数量，请调用 repartition()。

如果 pyarrow 无法表示您的数据，此方法将报错。

默认情况下，输出文件的格式为 {uuid}_{block_idx}.parquet，其中 uuid 是数据集的唯一标识符。要修改此行为，请实现自定义的 FilenameProvider 并将其作为 filename_provider 参数传递。

备注

此操作将触发对此数据集执行的延迟转换。

示例

>>> import ray
>>> ds = ray.data.range(100)
>>> ds.write_parquet("local:///tmp/data/")

时间复杂度：O(数据集大小 / 并行度)

参数:

  • path – 目标根目录的路径，parquet 文件将写入该目录。

  • filesystem – 要写入的 pyarrow 文件系统实现。这些文件系统在 pyarrow 文档 中指定。如果需要为文件系统提供特定配置，请指定此项。默认情况下，文件系统会根据路径的方案自动选择。例如，如果路径以 s3:// 开头，则使用 S3FileSystem。

  • try_create_dir – 如果 True，尝试创建目标路径中的所有目录。如果所有目录已经存在，则不执行任何操作。默认为 True。

  • arrow_open_stream_args – 传递给 pyarrow.fs.FileSystem.open_output_stream 的 kwargs，用于打开文件进行写入时使用。

  • filename_provider – 一个 FilenameProvider 实现。使用此参数自定义文件名的外观。

  • arrow_parquet_args_fn – 返回写入参数字典的可调用对象，这些参数在将每个块写入文件时提供给 pyarrow.parquet.write_table()。覆盖 arrow_parquet_args 中的任何重复键。如果任何写入参数无法被序列化，或者如果您希望为每个数据集块延迟解析写入参数，请使用此参数而不是 arrow_parquet_args。

  • num_rows_per_file – 每个文件要写入的目标行数。如果为 None ，Ray Data 会写入系统选择的行数到每个文件。指定的值只是一个提示，不是一个严格的限制。Ray Data 可能会写入更多或更少的行到每个文件。

  • ray_remote_args – 传递给写任务中 remote() 的 Kwargs。

  • concurrency – Ray 任务的最大并发运行数量。设置此参数以控制并发运行的任务数量。这不会改变运行的任务总数。默认情况下，并发性是根据可用资源动态决定的。

  • arrow_parquet_args – 传递给 pyarrow.parquet.write_table() 的选项，用于将每个块写入文件。