用PyArrow加速数据读写

这个方案在项目中已经稳定运行了一段时间，整理出来分享。有些细节可能因版本不同有差异，注意看注释。

先搞清楚原理

要理解PyArrow，先得搞清楚统计推断方法这个机制。直接看代码比看文字描述来得快：

import pandas as pd
import numpy as np

np.random.seed(4)
df = pd.DataFrame({
    'feature_1': np.random.randn(1000),
    'feature_2': np.random.randn(1000) * 2 + 1,
    'category': np.random.choice(['A', 'B', 'C'], 1000),
    'value': np.random.exponential(1.0, 1000),
})

print(f'数据形状: {df.shape}')
print(f'缺失值:\n{df.isnull().sum()}')

numeric_cols = df.select_dtypes(include=[np.number]).columns
df[numeric_cols] = df[numeric_cols].fillna(df[numeric_cols].median())

summary = df.groupby('category')['value'].agg(['mean', 'std', 'count']).round(2)
print(f'分组统计:\n{summary}')

实际怎么用

实际用的时候有几个注意点。首先是配置问题，不同环境参数可能不一样。其次是性能，数据量大的时候要注意管道编排。看这段实际运行的代码：

from pathlib import Path
import json
import logging

logging.basicConfig(level=logging.INFO, format='%(asctime)s - %(levelname)s - %(message)s')
logger = logging.getLogger(__name__)

class DataPipeline:
    def __init__(self, config_path: str = 'config.json'):
        self.config = self._load_config(config_path)
        self.stages = []

    def _load_config(self, path: str) -> dict:
        config_file = Path(path)
        if config_file.exists():
            return json.loads(config_file.read_text())
        return {'batch_size': 1000, 'output_dir': './output'}

    def add_stage(self, name: str, func):
        self.stages.append({'name': name, 'func': func})
        return self

    def run(self, data):
        logger.info(f'Pipeline开始，共{len(self.stages)}个阶段')
        for j, stage in enumerate(self.stages, 1):
            logger.info(f'阶段 {j}/{len(self.stages)}: {stage["name"]}')
            data = stage['func'](data)
        logger.info('Pipeline完成')
        return data

pipeline = DataPipeline()
pipeline.add_stage('filter', lambda d: [x for x in d if x > 0])
pipeline.add_stage('transform', lambda d: [x * 2 for x in d])
result = pipeline.run([-1, 2, -3, 4, 5])
print(f'结果: {result}')

进阶一点的用法

有些场景下PyArrow的常规写法不够用，需要做管道编排。这个改动涉及的地方不多，但要注意顺序：

容易踩的坑

踩坑经验分享：PyArrow在统计推断方法方面有几个暗坑。最常见的是参数默认值不符合预期，其次是并发场景下的竞态条件。建议加上防御性检查。

写在最后

PyArrow这块先整理到这里。管道编排是最重要的部分，务必理解透彻。如果遇到问题，先检查配置和版本，大部分报错都是这两个原因。