pandas处理parquet timestamp出的车祸

问题

要对parquet文件进行匿名化处理,需要读写parquet文件,我用了pandas库进行处理,但是遇到了timestamp精度的问题。当时以为只是简单的精度截断,不影响最终效果,所以没太在意,结果截断之后不能用spark读取了,因为spark无法读取早于1900年的timestamp,而截断导致9999-m-d变成了1816-m-d。
说来轻松,但是定位bug到这里还是费了亿番功夫。测试发现使用pandas和pyarrow都存在这样的问题。使用了参数allow_truncated_timestamps,这会导致截断。但是使用了use_deprecated_int96_timestamps仍然会导致截断,不清楚具体原因

结论

用spark处理parquets

  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值