Python 使用pyarrow读取保存为拼花地板的数据帧,将文件名保存在列中
我想读一个包含熊猫数据框的拼花地板文件的文件夹。除了我正在读取的数据之外,我还想将从中读取数据的文件名存储在“file_origin”列中。在熊猫中,我可以这样做:Python 使用pyarrow读取保存为拼花地板的数据帧,将文件名保存在列中,python,pandas,pyarrow,Python,Pandas,Pyarrow,我想读一个包含熊猫数据框的拼花地板文件的文件夹。除了我正在读取的数据之外,我还想将从中读取数据的文件名存储在“file_origin”列中。在熊猫中,我可以这样做: import pandas as pd from pathlib import Path data_dir = Path("path_of_folder_with_files") df = pd.concat( pd.read_parquet(parquet_file).assi
import pandas as pd
from pathlib import Path
data_dir = Path("path_of_folder_with_files")
df = pd.concat(
pd.read_parquet(parquet_file).assign(file_origin=parquet_file.name)
for parquet_file in data_dir.glob("*")
)
不幸的是,这相当缓慢。对于pyarrow(或任何其他有效的包),是否有类似的方法来实现这一点
您可以使用箭头而不是熊猫来实现它:
batches = []
for file_name in data_dir.glob("*"):
table = pq.read_table(file_name)
table = table.append_column("file_name", pa.array([file_name]*len(table), pa.string()))
batches.extend(table.to_batches())
return pa.Table.from_batches(batches)
我并不期望它会更快,除非你的桌子上有很多字符串和对象(熊猫的速度很慢)。谢谢。但是,这给了我以下信息:
TypeError:append\u column()只接受一个参数(给定2个)
。知道吗?你用的是什么版本的pyarrow<代码>pa.uuu版本uuu0.11.1是我的版本api不同。尝试table.append\u column(pa.column(“file\u name”,pa.array([file\u name]*len(table),pa.string()))
。但我建议您升级
batches = []
for file_name in data_dir.glob("*"):
table = pq.read_table(file_name)
table = table.append_column("file_name", pa.array([file_name]*len(table), pa.string()))
batches.extend(table.to_batches())
return pa.Table.from_batches(batches)