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

2026-11-17

190人浏览

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。

PHP速学视频免费教程(入门到精通)
PHP速学视频免费教程(入门到精通)

PHP怎么学习?PHP怎么入门?PHP在哪学?PHP怎么学才快?不用担心,这里为大家提供了PHP速学教程(入门到精通),有需要的小伙伴保存下载就能学习啦!

下载

相关标签:

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

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。

2023.07.20

1931

4

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。

2023.07.25

5504

7

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。

2023.07.31

1889

3

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。

2023.08.03

33557

23

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。

2023.08.04

3947

5

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。

2023.08.04

3947

5

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。

2023.08.11

1283

5

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。

2023.08.10

636

4

python是前端还是后端
python是前端还是后端

Python属于前端也属于后端,其灵活性和丰富的生态系统使得开发人员能够在不同的领域中灵活运用。本专题为大家提供python相关的文章、下载、课程内容,供大家免费下载体验。

2023.08.11

3063

5

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
phpStudy极速入门视频教程
phpStudy极速入门视频教程

共6课时 | 54.7万人学习

独孤九贱(4)_PHP视频教程
独孤九贱(4)_PHP视频教程

共89课时 | 134.3万人学习