ParquetDataset

功能

parquet dataset支持从parquet文件中读取数据
parquet dataset支持从本地以及S3/OSS/HDFS文件系统中读取对应parquet文件

接口介绍

环境变量介绍

# If ARROW_NUM_THREADS > 0, specified number of threads will be used.
# If ARROW_NUM_THREADS = 0, no threads will be used.
# If ARROW_NUM_THREADS < 0, all threads will be used.
os.environ['ARROW_NUM_THREADS'] = '2'

ParquetDataset接口介绍

class ParquetDataset(dataset_ops.DatasetV2):
  def __init__(
      self, filenames,
      batch_size=1,
      fields=None,
      partition_count=1,
      partition_index=0,
      drop_remainder=False,
      num_parallel_reads=None,
      num_sequential_reads=1):

# Create a `ParquetDataset` from filenames dataset.
def read_parquet(
    batch_size,
    fields=None,
    partition_count=1,
    partition_index=0,
    drop_remainder=False,
    num_parallel_reads=None,
    num_sequential_reads=1):

参数说明

filenames: 文件名，可以接收以下类型的参数。
- 0-D 或者 1-D 的 tf.string 类型 Tensor
- string 类型
- string 类型的 list 或 tuple
- 包含一个或多个文件名的 Dataset
batch_size: (可选) 一个输出batch中最大样本数量。

fields: (可选) 需要读取的column。

filenames 参数类型	fields 参数要求	fields 参数类型要求
`Tensor`/`Dataset`	必须传入	`DataFrame.Field`/`DataFrame.Field` 类型的`list`或`tuple`
`string`/`string`类型的`list`或`tuple`	可选, 不传入时默认读取所有column	`DataFrame.Field`/`DataFrame.Field` 类型的`list`或`tuple`/`string`/`string`类型的`list`或`tuple`

partition_count: (可选) row group partitions的数量。
partition_index: (可选) row group partitions的索引。
drop_remainder: (可选) 如果为True, ParquetDataset只会返回大小为batch_size的batch，小于batch_size的batch将会被丢弃。
num_parallel_reads: (可选) tf.int64类型的标量，用于设定同时读取的parquet file文件数量。默认逐个依次读取。
num_sequential_reads: (可选) tf.int64类型的标量，代表按顺序读取的batch数量，默认是1。

DataFrame介绍

DataFrame是一个包含多个命名的column的表。每一个命名的column都具有一种逻辑类型和一种存储类型。

DataFrame支持的逻辑类型

逻辑类型	输出类型
标量(Scalar)	`tf.Tensor`/`DataFrame.Value`
定长List(Fixed-Length List)	`tf.Tensor`/`DataFrame.Value`
变长List(Variable-Length List)	`tf.SparseTensor`/`DataFrame.Value`
变长嵌套List(Variable-Length Nested List)	`tf.SparseTensor`/`DataFrame.Value`

DataFrame支持的存储类型

数据分类	存储类型
整数	`int64` `uint64` `int32` `uint32` `int8` `uint8`
浮点数	`float64` `float32` `float16`
文本	`string`

API 说明

class DataFrame(object):
    class Field(object):
        def __init__(self, name,
            type=None,
            ragged_rank=None,
            shape=None):

    class Value(collections.namedtuple(
        'DataFrameValue', ['values', 'nested_row_splits'])):
        def to_sparse(self, name=None):

# Convert values to tensors or sparse tensors from input dataset.
def to_sparse(num_parallel_calls=None):

DataFrame.Field参数说明

name: column 名称
type: 指定元素数据类型，如tf.int64
ragged_rank: (可选) column为list类型时，用于指定嵌套层数
shape: (可选) column为固定shape的list时，用于指定column的shape

注：对于固定shape的list (Fix-Length List)，只需要指定shape即可，无需指定ragged_rank。

DataFrame.Value转换API (根据实际情况选择使用)

由于ParquetDataset的输出中可能会存在DataFrame.Value, 无法直接接入模型，需要将DataFrame.Value转换为SparseTensor。使用dataset.apply调用to_sparse接口即可完成转换。

import tensorflow as tf
from tensorflow.python.data.experimental.ops import parquet_dataset_ops
from tensorflow.python.data.experimental.ops import dataframe

ds = parquet_dataset_ops.ParquetDataset(...)
ds.apply(dataframe.to_sparse())
...

使用示例

1. Example: Read from one file on local filesystem

import tensorflow as tf
from tensorflow.python.data.experimental.ops import parquet_dataset_ops

# Read from a parquet file.
ds = parquet_dataset_ops.ParquetDataset('/path/to/f1.parquet',
                                        batch_size=1024)
ds = ds.prefetch(4)
it = tf.data.make_one_shot_iterator(ds)
batch = it.get_next()
# {'a': tensora, 'c': tensorc}

2. Example: Read from filenames dataset

import tensorflow as tf
from tensorflow.python.data.experimental.ops import parquet_dataset_ops

filenames = tf.data.Dataset.from_generator(func, tf.string, tf.TensorShape([]))
# Define data frame fields.
fields = [
    parquet_dataset_ops.DataFrame.Field('A', tf.int64),
    parquet_dataset_ops.DataFrame.Field('C', tf.int64, ragged_rank=1)]
# Read from parquet files by reading upstream filename dataset.
ds = filenames.apply(parquet_dataset_ops.read_parquet(1024, fields=fields))
ds = ds.prefetch(4)
it = tf.data.make_one_shot_iterator(ds)
batch = it.get_next()
# {'a': tensora, 'c': tensorc}
...

3. Example: Read from files on HDFS

import tensorflow as tf
from tensorflow.python.data.experimental.ops import parquet_dataset_ops

# Read from parquet files on remote services for selected fields.
ds = parquet_dataset_ops.ParquetDataset(
    ['hdfs://host:port/path/to/f3.parquet'],
    batch_size=1024,
    fields=['a', 'c'])
ds = ds.prefetch(4)
it = tf.data.make_one_shot_iterator(ds)
batch = it.get_next()
# {'a': tensora, 'c': tensorc}
...