为什么 Pyarrow 可以读取额外的索引列而 Pandas dataframe 不能？

Question

我有以下代码：

import pandas as pd
import dask.dataframe as da
from pyarrow.parquet import ParquetFile


df = pd.DataFrame([1, 2, 3], columns=["value"])

my_dataset = da.from_pandas(df, chunksize=3)
save_dir = './local/'
my_dataset.to_parquet(save_dir)


pa = ParquetFile("./local/part.0.parquet")
print(pa.schema.names)

df2 = pd.read_parquet("./local/part.0.parquet")
print(df2.columns)

output 是：

['value', '__null_dask_index__']
Index(['value'], dtype='object')

只是好奇，为什么 Pandas dataframe忽略__null_dask_index__列名？ 或者__null_dask_index__不被视为一列？

Answer 1

pandas将读取__null_dask_index__并将其（正确地）用作索引，因此它不会显示在列列表中。 要清楚地看到这一点，请指定一个自定义索引（例如 4、5、6），然后检查df2 dataframe 的头部：

from pandas import DataFrame
from dask.dataframe import from_pandas
from pyarrow.parquet import ParquetFile


df = DataFrame([1, 2, 3], columns=["value"], index=[4,5,6])

my_dataset = from_pandas(df, chunksize=2)
save_dir = './local/'
my_dataset.to_parquet(save_dir)


pa = ParquetFile("./local/part.0.parquet")
print(pa.schema.names)

from pandas import read_parquet
df2 = read_parquet("./local/part.0.parquet")
print(df2.head())
#                      value
# __null_dask_index__       
# 4                        1
# 5                        2

dask 和 pandas（通过 arrow 或 fastparquet）创建的镶木地板文件包含一个特殊的元数据区域，指定列和索引属性供 pandas/dask 使用，但 arrow 本身并不知道。