在结合使用dask.dataframe.to_parquet（）时丢失索引信息

Question

[当我将dask = 1.2.2与pyarrow 0.11.1一起使用时，我没有观察到此行为。更新后（dask = 2.10.1和pyarrow = 0.15.1），当我使用带有给定partition_on和write_index参数的to_parquet方法时，无法保存索引。在这里，我创建了一个显示问题的最小示例：

from datetime import timedelta
from pathlib import Path

import dask.dataframe as dd
import pandas as pd

REPORT_DATE_TEST = pd.to_datetime('2019-01-01').date()
path = Path('/home/ludwik/Documents/YieldPlanet/research/trials/')

observations_nr = 3
dtas = range(0, observations_nr)
rds = [REPORT_DATE_TEST - timedelta(days=days) for days in dtas]
data_to_export = pd.DataFrame({
    'report_date': rds,
    'dta': dtas,
    'stay_date': [REPORT_DATE_TEST] * observations_nr,
    }) \
    .set_index('dta')

data_to_export_dask = dd.from_pandas(data_to_export, npartitions=1)

file_name = 'trial.parquet'
data_to_export_dask.to_parquet(path / file_name,
                               engine='pyarrow',
                               compression='snappy',
                               partition_on=['report_date'],
                               write_index=True
                              )

data_read = dd.read_parquet(path / file_name, engine='pyarrow')
print(data_read)

哪个给：

| | stay_date  |dta| report_date|
|0| 2019-01-01 | 2 | 2018-12-30 |
|0| 2019-01-01 | 1 | 2018-12-31 |
|0| 2019-01-01 | 0 | 2019-01-01 |

我没有在dask文档中的任何地方看到它的描述。

有人知道如何在对镶木地板数据进行分区时保存索引吗？

Answer 1

我似乎想避开这个问题，但是我的建议是沿索引分区。这也将确保分区中的索引不重叠。

这就像dd.from_pandas(data_to_export, npartitions=3)，然后跳过partition_on中的write_index和to_parquet。索引必须排序。

这将保留索引并正确设置分度。

请注意，您不能保证获得使用partitions要求的确切分区数，特别是在数据集较小的情况下。）