Python 使用拼花地板文件统计信息而不读取文件

据我所知，拼花地板文件具有列的最小/最大统计信息。 我的问题是，如何使用python读取这些统计数据而不读取整个文件

如果有帮助，我还有

\u common\u metadata

和

\u 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（每个年度分区包含多个具有日期列的拼花地板文件）：

---

经过一些额外的搜索，我在

fastparquet

模块中找到了这个

它给出每个文件的分钟和最大值

例如：

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

---

经过一些额外的搜索，我在

fastparquet

模块中找到了这个

它给出每个文件的分钟和最大值

例如：

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

---

您可以在

pyarrow

中按行组提取它们：

import pyarrow.parquet as pq

pq_file = pq.ParquetFile(…)
# 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

---

您可以在

pyarrow

中按行组提取它们：

import pyarrow.parquet as pq

pq_file = pq.ParquetFile(…)
# 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

---

pq.ParquetFile（…）

中的

…

是文件或目录的路径？如果是一个文件，你说的“第i行组”是什么意思？我认为行组是每个文件的。不，文件可以有任意数量的行组。此命令仅适用于单个文件。对于多个文件，使用

ParquetDataset

，然后迭代其所有

ParquetDatasetPiece

s。因此，如果需要每个文件的所有最大值的最大日期，我应该

max

？是的，这将为您提供全局最大值。如何从

pq.ParquetFile中的rg.statistics.maxtthe
返回的int中获取日期（…）
是文件的路径还是目录？如果是文件，“第i行组”是什么意思？我认为行组是每个文件的行组否，文件可以有任意数量的行组。此命令仅适用于单个文件。对于多个文件，使用
ParquetDataset
，然后迭代其所有
ParquetDatasetPiece
s。因此，如果想要最大日期，我应该
max
每个文件的所有最大值？是的，这将给出u全局最大值。如何从rg.statistics.max返回的int中获取日期