代码之家 › 专栏 › 技术社区 › moshevi

在不读取文件的情况下使用拼花文件统计信息

fastparquet pyarrow dask parquet python

moshevi · 技术社区 · 8 年前

据我所知,拼花文件有列的最小/最大统计。我的问题是如何在不读取整个文件的情况下使用python读取这些统计数据?

如果有帮助的话,我还有 _common_metadata 和 _metadata 文件

我的具体问题是获取此文件系统中每个证券交易所分区的最大日期(每个年份分区包含多个具有日期列的拼花文件):

C:.
â   _common_metadata
â   _metadata
ââââsource=NASDAQ
â   ââââyear=2017
â   ââââyear=2018
ââââsource=London_Stock_Exchange
â   ââââyear=2014
â   ââââyear=2015
ââââsource=Japan_Exchange_Group
â   ââââyear=2017
â   ââââyear=2018
ââââsource=Euronext
    ââââyear=2017
    ââââyear=2018

2 回复 | 直到 8 年前

Uwe L. Korn 8 年前

您可以在 pyarrow 以下内容:

import pyarrow.parquet as pq

pq_file = pq.ParquetFile(â¦)
# Get metadata for the i-th RowGroup
rg_meta = pq_file.metadata.row_group(i)
# Get the "max" statistic for the k-th column
max_of_col = rq_meta.column(col).statistics.max

moshevi 8 年前

经过一些额外的搜索,我找到了这个 sorted_partitioned_columns 在 fastparquet 模块。

它给出了每个文件的最小值和最大值!

例子:

>>> import fastparquet
>>> fastparquet.api.sorted_partitioned_columns(pf)
{'id': {'min': [1, 5, 10], 'max': [4, 9, 20]}}

推荐文章

Google User · Django管理员在`list_display中未显示`creation_date`字段`

1 年前

user29747013 · 如何创建一个新的数据框架,其中包含原始数据框架中列的聚合列?

1 年前

ÎÎÎ½Î· ÎÎ®Î¹Î½Î¿Ï · Python lxml.html语法错误:使用lxml find时XPATH的谓词无效

1 年前

user29715306 · from_users=和chats=电视节目中的差异

1 年前

Redshoe · 当执行numpy.genfromtxt()时,python是否会读取文件的所有行?

1 年前

RASEL MAHMUD · 为什么以及如何在is_even()函数内的IF条件中递归X变量在满足0后递增?[副本]

1 年前

prayner · 更新嵌套字典包含列表中的项

1 年前

Bringo Jr · 我可以在O(n)中解决这个问题吗?

1 年前

Dave · 如何在for循环中修改列表值

1 年前

Shukurullox Komiljonov · 从记录中获得相互和解。使用SQL

1 年前