讲师中心 微信公众号

工具推荐

视频效率加速
AniShort
AniShort

AI短剧协同制作平台

updream

一键生成高质量推广成片

立刻MV
立刻MV

低成本歌曲 MV、视频生成

SoundView
SoundView

字幕擦除翻译、配音口型同步

Polars 中按分组键高效保存为多个 Parquet 文件的完整指南

风杰酱_6122

风杰酱_6122

发布时间:2026-11-17 13:47:08

|

190人浏览过

|

来源于php中文网

原创

Polars 中按分组键高效保存为多个 Parquet 文件的完整指南

本文介绍如何在 Polars LazyFrame 中实现类似 Pandas groupby().apply(...to_parquet...) 的功能,利用 sink_parquet 与 PartitionByKey 按分组字段自动拆分并保存为独立 Parquet 文件,并支持自定义文件路径与命名逻辑。

本文介绍如何在 polars lazyframe 中实现类似 pandas `groupby().apply(...to_parquet...)` 的功能,利用 `sink_parquet` 与 `partitionbykey` 按分组字段自动拆分并保存为独立 parquet 文件,并支持自定义文件路径与命名逻辑。

在 Polars 中,直接对 LazyFrame 进行“循环分组 + 逐块写入”(如 Pandas 风格)并不推荐——LazyFrame 的核心优势在于延迟执行与查询优化,而显式 Python 循环会破坏其性能潜力,且无法利用底层 Rust 引擎的并行 I/O 能力。正确的做法是使用 Polars 原生支持的分区写入(partitioned sink)机制。

✅ 推荐方案:sink_parquet + PartitionByKey

PartitionByKey 是 Polars 提供的专用分区写入策略,专为按列值自动组织输出目录结构而设计。它能将 LazyFrame 按指定列(如 'a')的唯一值自动分片,并将每组数据写入对应子目录下的 Parquet 文件中:

import numpy as np
import polars as pl

# 构造示例数据
df = pl.DataFrame({
    'a': np.random.randint(0, 5, 1000),
    'b': np.random.random(1000)
})
lf = df.lazy()  # 或 pl.LazyFrame(df)

# 按列 'a' 分区写入,自动创建 /tmp/output/a=0/, /tmp/output/a=1/ 等子目录
lf.sink_parquet(
    pl.PartitionByKey("/tmp/output", by="a"),
    mkdir=True  # 自动创建父目录(推荐始终启用)
)

执行后,文件系统将生成如下结构:

/tmp/output/
├── a=0/
│   └── 0.parquet
├── a=1/
│   └── 0.parquet
├── a=2/
│   └── 0.parquet
├── a=3/
│   └── 0.parquet
└── a=4/
    └── 0.parquet

⚠️ 注意:每个分区目录下默认生成 0.parquet(或 0.snappy.parquet 等),这是 Polars 内部调度的分片编号;若需更精确控制文件名(例如 a_0.parquet),请继续阅读进阶用法。

? 进阶控制:自定义文件路径与命名

PartitionByKey 支持通过 file_path 参数传入回调函数,动态生成每个分区的完整文件路径。该函数接收一个 dict[str, str] 类型的 partition key 映射(如 {"a": "3"}),返回目标 .parquet 文件路径(相对或绝对):

def custom_filename(partition: dict[str, str]) -> str:
    key_val = partition["a"]
    return f"/tmp/custom/a_{key_val}.parquet"

lf.sink_parquet(
    pl.PartitionByKey("/tmp/custom", by="a", file_path=custom_filename),
    mkdir=True
)

运行后将直接生成:

/tmp/custom/a_0.parquet
/tmp/custom/a_1.parquet
/tmp/custom/a_2.parquet
/tmp/custom/a_3.parquet
/tmp/custom/a_4.parquet

✅ 优势:无需 Python 层循环、零内存中间 DataFrame、全链路惰性执行、支持并行写入与压缩选项(如 compression="zstd")。

❗重要注意事项

  • sink_parquet 是终端操作(eager sink),调用后立即触发整个 LazyFrame 的物化与写入,不可再链式调用其他 lazy 方法;
  • PartitionByKey 仅支持单列 by=(多列分区暂不支持,但可先 with_columns(pl.col("x").cast(str) + "_" + pl.col("y").cast(str)) 合并为新键);
  • 输出路径必须为本地文件系统路径(不支持 S3/HDFS 等远程存储的原生分区写入,需配合 object_store 手动实现);
  • 若需保留原始分组顺序或添加元数据(如行数、时间戳),建议在写入前通过 with_columns() 添加辅助列,再在 file_path 回调中读取。

✅ 总结

Polars 并不鼓励“模拟 Pandas 循环分组”的惯性思维。sink_parquet + PartitionByKey 是更高效、更符合其设计哲学的替代方案:它将分组逻辑下沉至执行引擎,避免 Python-GIL 瓶颈,同时提供灵活的路径定制能力。对于 TB 级数据的分组导出任务,这是兼具性能、可维护性与可扩展性的首选实践。

本站声明:本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系admin@php.cn

热门AI工具

更多
UpDream
UpDream Hot

一款AI视频创作工具,主要用于哔哩哔哩推出的自研AI视频创作工具,适合需要提升相关任务效率的用户。

WorkBuddy

一款AI办公效率工具,主要用于腾讯云推出的AI原生桌面智能体工作台,适合需要提升相关任务效率的用户。

VibeKnow
VibeKnow Hot

一款AI视频创作工具,主要用于全球首个AI知识视频创作平台,文档、文章、网页,一键生成视频,适合需要提升相关任务效率的用户。

SoundView
SoundView Hot

SoundView是一款面向跨境电商的视频翻译、配音和本地化 AI 创作平台。

DeepSeek

DeepSeek是一款面向对话、写作、编程和推理场景的AI大模型工具。

超级麦吉

一款通过数字员工协作完成调研、数据分析与文档制作的AI办公平台。

豆包大模型

豆包大模型是一款由字节跳动推出的企业级大语言模型服务平台。

Atoms
Atoms Hot

Atoms是一款AI智能体工具,第一支自动构建真实业务的 AI 团队。

PixPix
PixPix Hot

PixPix是一款面向电商视觉生产的AI商品图生成工具。

相关专题

更多
python打包成可执行文件
python打包成可执行文件

本专题为大家带来python打包成可执行文件相关的文章,大家可以免费的下载体验。

1931

2023.07.20

python能做什么
python能做什么

python能做的有:可用于开发基于控制台的应用程序、多媒体部分开发、用于开发基于Web的应用程序、使用python处理数据、系统编程等等。本专题为大家提供python相关的各种文章、以及下载和课程。

5504

2023.07.25

format在python中的用法
format在python中的用法

Python中的format是一种字符串格式化方法,用于将变量或值插入到字符串中的占位符位置。通过format方法,我们可以动态地构建字符串,使其包含不同值。php中文网给大家带来了相关的教程以及文章,欢迎大家前来阅读学习。

1889

2023.07.31

python教程
python教程

Python已成为一门网红语言,即使是在非编程开发者当中,也掀起了一股学习的热潮。本专题为大家带来python教程的相关文章,大家可以免费体验学习。

33557

2023.08.03

python环境变量的配置
python环境变量的配置

Python是一种流行的编程语言,被广泛用于软件开发、数据分析和科学计算等领域。在安装Python之后,我们需要配置环境变量,以便在任何位置都能够访问Python的可执行文件。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

3947

2023.08.04

python eval
python eval

eval函数是Python中一个非常强大的函数,它可以将字符串作为Python代码进行执行,实现动态编程的效果。然而,由于其潜在的安全风险和性能问题,需要谨慎使用。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

3947

2023.08.04

scratch和python区别
scratch和python区别

scratch和python的区别:1、scratch是一种专为初学者设计的图形化编程语言,python是一种文本编程语言;2、scratch使用的是基于积木的编程语法,python采用更加传统的文本编程语法等等。本专题为大家提供scratch和python相关的文章、下载、课程内容,供大家免费下载体验。

1283

2023.08.11

python合并两个列表
python合并两个列表

Python是一种强大的编程语言,具有许多方便的功能和工具。在Python中,有多种方法可以合并两个列表。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

636

2023.08.10

Go-Zero API开发使用教程
Go-Zero API开发使用教程

本专题聚焦Go-Zero的API开发,拆解.api描述文件的语法结构、路由与分组定义、参数绑定与校验规则,说明统一响应体、JWT鉴权、跨域与接口文档生成的落地方式,并给出网关聚合与接口测试的实践建议。

140

2026.11.12

热门下载

更多
网站特效
/
网站源码
/
网站素材
/
前端模板

精品课程

更多
热门推荐
/
最新课程
关于我们 免责申明 举报中心 意见反馈 讲师合作 广告合作 最新更新
php中文网:公益在线php培训,帮助PHP学习者快速成长!
关注服务号
PHP中文网订阅号
每天精选资源文章推送

Copyright 2014-2026 https://www.php.cn/ All Rights Reserved | php.cn