如何使用 pyarrow 更改列数据类型

Question

我正在读取一组箭头文件并将它们写入 parquet 文件：

import pathlib
from pyarrow import parquet as pq
from pyarrow import feather
import pyarrow as pa

base_path = pathlib.Path('../mydata')

fields = [
    pa.field('value', pa.int64()),
    pa.field('code', pa.dictionary(pa.int32(), pa.uint64(), ordered=False)),
]
schema = pa.schema(fields)

with pq.ParquetWriter('sample.parquet', schema) as pqwriter:
    for file_path in base_path.glob('*.arrow'):
        table = feather.read_table(file_path)
        pqwriter.write_table(table)

我的问题是箭头文件中的code 字段是用int8 索引而不是int32 定义的。但是int8 的范围是不够的。因此，我为 parquet 文件中的字段 code 定义了一个带有 int32 索引的架构。

但是，现在将箭头表写入 parquet 会抱怨架构不匹配。

如何更改箭头列的数据类型？我检查了 pyarrow API，但没有找到更改架构的方法。这可以在不往返 pandas 的情况下完成吗？

Answer 1

Arrow ChunkedArray 有一个 cast 函数，但不幸的是它不适用于你想做的事情：

>>> table['code'].cast(pa.dictionary(pa.int32(), pa.uint64(), ordered=False))
Unsupported cast from dictionary<values=uint64, indices=int8, ordered=0> to dictionary<values=uint64, indices=int32, ordered=0> (no available cast function for target type)

相反，您可以转换为 pa.uint64() 并将其编码为 dictionary：

>>> table['code'].cast(pa.uint64()).dictionary_encode().type
DictionaryType(dictionary<values=uint64, indices=int32, ordered=0>)

这是一个独立的例子：

import pyarrow as pa

source_schema = pa.schema([
    pa.field('value', pa.int64()),
    pa.field('code', pa.dictionary(pa.int8(), pa.uint64(), ordered=False)),
])

source_table = pa.Table.from_arrays([
    pa.array([1, 2, 3], pa.int64()),
    pa.array([1, 2, 1000], pa.dictionary(pa.int8(), pa.uint64(), ordered=False)),

], schema=source_schema)

destination_schema = pa.schema([
    pa.field('value', pa.int64()),
    pa.field('code', pa.dictionary(pa.int32(), pa.uint64(), ordered=False)),
])

destination_data = pa.Table.from_arrays([
    source_table['value'],
    source_table['code'].cast(pa.uint64()).dictionary_encode(),
], schema=destination_schema)