同じスキーマを持つ複数の寄せ木ファイルを単一のデータフレームに読み込むには、daskを使用する必要があります。これは、すべて同じディレクトリにあるときに機能しますが、別々のディレクトリにあるときには機能しません。例えばdask/fastparquetを使用して複数のディレクトリから複数のparquetファイル(同じスキーマ)を読み取る方法
:
import fastparquet
pfile = fastparquet.ParquetFile(['data/data1.parq', 'data/data2.parq'])
うまく動作しますが、私は別のディレクトリにdata2.parq
をコピーする場合は、次のように動作しません:
pfile = fastparquet.ParquetFile(['data/data1.parq', 'data2/data2.parq'])
私が手にトレースバックは以下の通りです:
---------------------------------------------------------------------------
ValueError Traceback (most recent call last)
<ipython-input-11-b3d381f14edc> in <module>()
----> 1 pfile = fastparquet.ParquetFile(['data/data1.parq', 'data2/data2.parq'])
~/anaconda/envs/hv/lib/python3.6/site-packages/fastparquet/api.py in __init__(self, fn, verify, open_with, sep)
82 if isinstance(fn, (tuple, list)):
83 basepath, fmd = metadata_from_many(fn, verify_schema=verify,
---> 84 open_with=open_with)
85 self.fn = sep.join([basepath, '_metadata']) # effective file
86 self.fmd = fmd
~/anaconda/envs/hv/lib/python3.6/site-packages/fastparquet/util.py in metadata_from_many(file_list, verify_schema, open_with)
164 else:
165 raise ValueError("Merge requires all PaquetFile instances or none")
--> 166 basepath, file_list = analyse_paths(file_list, sep)
167
168 if verify_schema:
~/anaconda/envs/hv/lib/python3.6/site-packages/fastparquet/util.py in analyse_paths(file_list, sep)
221 if len({tuple([p.split('=')[0] for p in parts[l:-1]])
222 for parts in path_parts_list}) > 1:
--> 223 raise ValueError('Partitioning directories do not agree')
224 for path_parts in path_parts_list:
225 for path_part in path_parts[l:-1]:
ValueError: Partitioning directories do not agree
dask.dataframe.read_parquet
を使用すると同じエラーが発生します。私は同じParquetFile
オブジェクトを使用すると仮定します。
異なるディレクトリから複数のファイルを読み込むにはどうすればよいですか?ロードする必要があるすべてのファイルを同じディレクトリに置くことはオプションではありません。
github issue - https://github.com/dask/fastparquet/issues/217 – chrisb