如何将包含一列数组的 Dask 数据帧写入镶木地板文件

Question

我有一个 Dask 数据框，其中一列包含一个 numpy 浮点数组：

import dask.dataframe as dd
import pandas as pd
import numpy as np

df = dd.from_pandas(
    pd.DataFrame(
        {
            'id':range(1, 6),
            'vec':[np.array([1.0, 2.0, 3.0, 4.0, 5.0])] * 5
        }), npartitions=1)

df.compute()

   id                        vec
0   1  [1.0, 2.0, 3.0, 4.0, 5.0]
1   2  [1.0, 2.0, 3.0, 4.0, 5.0]
2   3  [1.0, 2.0, 3.0, 4.0, 5.0]
3   4  [1.0, 2.0, 3.0, 4.0, 5.0]
4   5  [1.0, 2.0, 3.0, 4.0, 5.0]

如果我尝试将其写成镶木地板，则会出现错误：

df.to_parquet('somefile')
....
Error converting column "vec" to bytes using encoding UTF8. Original error: bad argument type for built-in operation

我认为这是因为“vec”列的类型为“object”，因此 parquet 序列化程序尝试将其写为字符串。有没有办法告诉 Dask DataFrame 或序列化器该列是一个浮点数组？

Answer 1

我发现如果使用 pyarrow 引擎而不是默认的 fastparquet 是可能的：

pip/conda install pyarrow

然后：

df.to_parquet('somefile', engine='pyarrow')

https://github.com/dask/fastparquet/ 的 fastparquet 文档说“只支持简单的数据类型和纯编码”，所以我猜这意味着没有数组。