Azure / Azure/MachineLearningNotebooks

Azure wrongly reads Parquet

未關閉
#1,713 6 則留言 4 個 reaction 已指派 0 人 在 GitHub 檢視

還沒有人認領這個 Issue。

主要語言
Jupyter Notebook
星號
4.4k
分支
2.6k
PR 合併指標
30 天內沒有已合併 PR

描述

Setup

Python=3.8 + azureml-core=1.36.0 + azureml-dataprep=2.26.0 + pyarrow=7.0.0 + pandas=1.4

Summary

to_pandas_dataframe wrongly reads certain Parquet datasets. Data of some columns appears to be internally shuffled.
This was already reported but closed without a fix, due to issues with sharing data publicly.
I share the reproducible example below

How to reproduce

from azureml.core import Workspace, Dataset
import tempfile
import pandas as pd

# prepare data: list of sha-values with some None values
df = pd.read_csv('error_data.csv')

# configure Azure storage
ws = Workspace.from_config()
dstore = ws.datastores.get('your datastore')
dstore_path = 'relative datastore path'
target = (dstore,dstore_path)

# write to Azure storage
with tempfile.TemporaryDirectory() as tmpdir:
    df.to_parquet(f'{tmpdir}/df.parquet')
    ds=Dataset.File.upload_directory(tmpdir,target,overwrite=True)

# read by two ways: download and open in pandas or use the Azure connector
with tempfile.TemporaryDirectory() as tmpdir:
    ds=Dataset.File.from_files(target)
    ds.download(tmpdir)
    df1 = pd.read_parquet(tmpdir)
    ds = Dataset.Tabular.from_parquet_files(target)
    df2 = ds.to_pandas_dataframe()

# comparison fails, the data seems displaced :-(
pd.testing.assert_frame_equal(df1,df2)

error_data.csv

貢獻指南

這個儲存庫沒有索引到貢獻指南

從這裡開始

  1. 先讀完整個 Issue,再讀專案的貢獻指南。
  2. 在 Issue 下留言說明你要接手 —— 這能避免兩個人做同樣的事。
  3. Fork 儲存庫,在一個分支上完成修改。
  4. 送出 Pull Request,並在描述裡引用這個 Issue 編號。

研究方向

從 issue 中的可重現範例開始,將下載的 pandas DataFrame 與 Dataset.Tabular.from_parquet_files(...).to_pandas_dataframe() 進行比較。追蹤 Azure Dataset 的表格式 Parquet 讀取路徑,然後使用提供的 error_data.csv,透過 pd.testing.assert_frame_equal(df1, df2) 驗證完成情況。

由索引模型根據 Issue 內容生成。

評估

技術堆疊
azure, pandas, python
領域
cloud, data-engineering
Issue 類型
缺陷
難度
4/5
預估耗時
3-5 天
活躍度
停滯
描述清晰度
基本清楚
新手友好度
35/100

把新 issue 寄到你的電子郵件信箱

精選適合新手參與的 GitHub issue 摘要。