跳转到内容

Arrow 具有丰富的数据类型系统,包括许多 R 数据类型的直接对应类型,以及许多在 R 中没有对应类型的数据类型。本文描述了 Arrow 类型系统,将其与 R 数据类型进行了比较,并概述了当数据从 Arrow 传输到 R 时使用的默认映射。在文章的末尾有两个查找表:一个描述默认的“R 到 Arrow”类型映射,另一个描述“Arrow 到 R”映射。

激励示例

为了说明需要进行的转换,请考虑当我们使用 dplyr::glimpse() 检查原始格式的 starwars 数据(作为 R 中的数据框)时的输出与我们先通过调用 arrow_table() 将其转换为 Arrow 表时获得的输出之间的差异。

library(dplyr, warn.conflicts = FALSE)
library(arrow, warn.conflicts = FALSE)

glimpse(starwars)
## Rows: 87
## Columns: 14
## $ name       <chr> "Luke Skywalker", "C-3PO", "R2-D2", "Darth Vader", "Leia Or~
## $ height     <int> 172, 167, 96, 202, 150, 178, 165, 97, 183, 182, 188, 180, 2~
## $ mass       <dbl> 77.0, 75.0, 32.0, 136.0, 49.0, 120.0, 75.0, 32.0, 84.0, 77.~
## $ hair_color <chr> "blond", NA, NA, "none", "brown", "brown, grey", "brown", N~
## $ skin_color <chr> "fair", "gold", "white, blue", "white", "light", "light", "~
## $ eye_color  <chr> "blue", "yellow", "red", "yellow", "brown", "blue", "blue",~
## $ birth_year <dbl> 19.0, 112.0, 33.0, 41.9, 19.0, 52.0, 47.0, NA, 24.0, 57.0, ~
## $ sex        <chr> "male", "none", "none", "male", "female", "male", "female",~
## $ gender     <chr> "masculine", "masculine", "masculine", "masculine", "femini~
## $ homeworld  <chr> "Tatooine", "Tatooine", "Naboo", "Tatooine", "Alderaan", "T~
## $ species    <chr> "Human", "Droid", "Droid", "Human", "Human", "Human", "Huma~
## $ films      <list> <"A New Hope", "The Empire Strikes Back", "Return of the J~
## $ vehicles   <list> <"Snowspeeder", "Imperial Speeder Bike">, <>, <>, <>, "Imp~
## $ starships  <list> <"X-wing", "Imperial shuttle">, <>, <>, "TIE Advanced x1",~
glimpse(arrow_table(starwars))
## Table
## 87 rows x 14 columns
## $ name         <string> "Luke Skywalker", "C-3PO", "R2-D2", "Darth Vader", "Leia~
## $ height        <int32> 172, 167, 96, 202, 150, 178, 165, 97, 183, 182, 188, 180~
## $ mass         <double> 77.0, 75.0, 32.0, 136.0, 49.0, 120.0, 75.0, 32.0, 84.0, ~
## $ hair_color   <string> "blond", NA, NA, "none", "brown", "brown, grey", "brown"~
## $ skin_color   <string> "fair", "gold", "white, blue", "white", "light", "light"~
## $ eye_color    <string> "blue", "yellow", "red", "yellow", "brown", "blue", "blu~
## $ birth_year   <double> 19.0, 112.0, 33.0, 41.9, 19.0, 52.0, 47.0, NA, 24.0, 57.~
## $ sex          <string> "male", "none", "none", "male", "female", "male", "femal~
## $ gender       <string> "masculine", "masculine", "masculine", "masculine", "fem~
## $ homeworld    <string> "Tatooine", "Tatooine", "Naboo", "Tatooine", "Alderaan",~
## $ species      <string> "Human", "Droid", "Droid", "Human", "Human", "Human", "H~
## $ films     <list<...>> <"A New Hope", "The Empire Strikes Back", "Return of the~
## $ vehicles  <list<...>> <"Snowspeeder", "Imperial Speeder Bike">, <>, <>, <>, "I~
## $ starships <list<...>> <"X-wing", "Imperial shuttle">, <>, <>, "TIE Advanced x1~
## Call `print()` for full schema details

表示的数据基本相同,但列的数据类型描述已更改。例如

  • name 在数据框中标记为 <chr>(字符向量);在 Arrow 表中标记为 <string>(字符串类型,也称为 utf8 类型)
  • height 在数据框中标记为 <int>(整数向量);在 Arrow 表中标记为 <int32>(32 位有符号整数)
  • mass 在数据框中标记为 <dbl>(数值向量);在 Arrow 表中标记为 <double>(64 位浮点数)

其中一些差异纯粹是表面上的:R 中的整数实际上是 32 位有符号整数,因此 Arrow 和 R 中的底层数据类型是彼此直接对应的。在其他情况下,差异纯粹在于实现方式:Arrow 和 R 存储字符串向量的方式不同,但在高级抽象层面,R 字符类型和 Arrow 字符串类型可以视为直接对应。然而,在某些情况下,没有明确的对应关系:虽然 Arrow 具有 POSIXct(时间戳类型)的对应类型,但它没有 POSIXlt 的对应类型;相反,虽然 R 可以表示 32 位有符号整数,但它没有 64 位无符号整数的等效类型。

当 arrow 包在 R 数据和 Arrow 数据之间进行转换时,它将首先检查是否提供了 Schema(有关详细信息,请参阅 schema()),如果没有提供,它将尝试通过遵循默认映射来猜测适当的类型。本文末尾提供了这些映射的完整列表,但下图描述了最常见的案例

在此图中,黑色框表示 R 数据类型,浅蓝色框表示 Arrow 数据类型。方向箭头指定转换(例如,逻辑 R 类型和布尔 Arrow 类型之间的双向箭头表示逻辑 R 转换为 Arrow 布尔值,反之亦然)。实线表示此转换规则始终是默认值;虚线表示它仅有时适用(规则和特殊情况如下所述)。

逻辑/布尔类型

Arrow 和 R 都使用三值逻辑。在 R 中,逻辑值可以是 TRUEFALSE,使用 NA 表示缺失数据。在 Arrow 中,相应的布尔类型可以取值 truefalsenull,如下所示

chunked_array(c(TRUE, FALSE, NA), type = boolean()) # default
## ChunkedArray
## <bool>
## [
##   [
##     true,
##     false,
##     null
##   ]
## ]

在此示例中,不必严格设置 type = boolean(),因为 arrow 中的默认行为是将 R 逻辑向量转换为 Arrow 布尔值,反之亦然。但是,为了清楚起见,我们将在本文中明确指定数据类型。我们同样将使用 chunked_array() 从 R 对象创建 Arrow 数据,并使用 as.vector() 从 Arrow 对象创建 R 数据,但如果我们使用其他方法,则会获得类似的结果。

整数类型

Base R 本身仅支持一种整数类型,使用 32 位表示 -2147483648 到 2147483647 之间的有符号数,但 R 也可以通过 bit64 包支持 64 位整数。Arrow 继承了 C++ 中的 8 位、16 位、32 位和 64 位版本的有符号和无符号整数类型

描述 数据类型函数 最小值 最大值
8 位无符号 uint8() 0 255
16 位无符号 uint16() 0 65535
32 位无符号 uint32() 0 4294967295
64 位无符号 uint64() 0 18446744073709551615
8 位有符号 int8() -128 127
16 位有符号 int16() -32768 32767
32 位有符号 int32() -2147483648 2147483647
64 位有符号 int64() -9223372036854775808 9223372036854775807

默认情况下,arrow 将 R 整数转换为 Arrow 中的 int32 类型,但您可以通过显式指定其他整数类型来覆盖此行为

chunked_array(c(10L, 3L, 200L), type = int32()) # default
## ChunkedArray
## <int32>
## [
##   [
##     10,
##     3,
##     200
##   ]
## ]
chunked_array(c(10L, 3L, 200L), type = int64())
## ChunkedArray
## <int64>
## [
##   [
##     10,
##     3,
##     200
##   ]
## ]

如果 R 中的值未落在相应 Arrow 类型的允许范围内,arrow 将引发错误

chunked_array(c(10L, 3L, 200L), type = int8())
## Error: Invalid: value outside of range

从 Arrow 转换为 R 时,整数类型始终转换为 R 整数,除非适用以下例外情况之一

  • 如果 Arrow uint32 或 uint64 的值超出 R 整数允许的范围,则结果将是 R 中的数值向量
  • 如果 Arrow int64 变量的值超出 R 整数允许的范围,则结果将是 R 中的 bit64::integer64 向量
  • 如果用户设置 options(arrow.int64_downcast = FALSE),则 Arrow int64 类型始终会在 R 中生成 bit64::integer64 向量,而不管值如何

浮点数值类型

R 有一种双精度(64 位)数值类型,默认情况下会转换为 Arrow 64 位浮点类型。Arrow 支持单精度(32 位)和双精度(64 位)浮点数,使用 float32()float64() 数据类型函数指定。这两种类型在 R 中都转换为双精度数。示例如下所示

chunked_array(c(0.1, 0.2, 0.3), type = float64()) # default
## ChunkedArray
## <double>
## [
##   [
##     0.1,
##     0.2,
##     0.3
##   ]
## ]
chunked_array(c(0.1, 0.2, 0.3), type = float32())
## ChunkedArray
## <float>
## [
##   [
##     0.1,
##     0.2,
##     0.3
##   ]
## ]
arrow_double <- chunked_array(c(0.1, 0.2, 0.3), type = float64())
as.vector(arrow_double)
## [1] 0.1 0.2 0.3

请注意,Arrow 规范还允许半精度(16 位)浮点数,但这些尚未实现。

定点小数类型

Arrow 还包含 decimal() 数据类型,其中数值以十进制格式而不是二进制格式指定。Arrow 中的小数有两种类型,128 位版本和 256 位版本,但在大多数情况下,用户应该能够使用更通用的 decimal() 数据类型函数,而不是特定的 decimal128()decimal256() 函数。

Arrow 中的十进制类型是定点精度数(而不是浮点数),这意味着需要显式指定 precisionscale 参数

  • precision 指定要存储的有效数字位数。
  • scale 指定应存储在小数点后的位数。如果设置 scale = 2,则小数点后将精确存储两位数字。如果设置 scale = 0,则值将四舍五入到最接近的整数。也允许使用负比例(在处理极大数时很方便),因此 scale = -2 将值存储到最接近的 100。

由于 R 本身无法创建十进制类型,因此下面的示例有点迂回。首先,我们创建一些浮点数作为 Chunked 数组,然后在 Arrow 中将这些浮点数显式转换为十进制类型。这是可能的,因为 Chunked 数组对象具有 cast() 方法

arrow_floating <- chunked_array(c(.01, .1, 1, 10, 100))
arrow_decimals <- arrow_floating$cast(decimal(precision = 5, scale = 2))
arrow_decimals
## ChunkedArray
## <decimal128(5, 2)>
## [
##   [
##     0.01,
##     0.10,
##     1.00,
##     10.00,
##     100.00
##   ]
## ]

虽然在 R 中没有原生使用,但在避免浮点运算中出现的问题尤其重要的情况下,十进制类型可能很有用。

字符串/字符类型

R 使用单一字符类型来表示字符串,而 Arrow 有两种类型。在 Arrow C++ 库中,这些类型称为字符串和 large_strings,但为了避免 arrow R 包中的歧义,它们使用 utf8()large_utf8() 数据类型函数定义。这两种 Arrow 类型之间的区别对于 R 用户来说不太重要,尽管在关于 数据对象布局 的文章中讨论了这种区别。

默认行为是将 R 字符向量转换为 utf8/字符串类型,并将两种 Arrow 类型都转换为 R 字符向量

strings <- chunked_array(c("oh", "well", "whatever"))
strings
## ChunkedArray
## <string>
## [
##   [
##     "oh",
##     "well",
##     "whatever"
##   ]
## ]
as.vector(strings)
## [1] "oh"       "well"     "whatever"

因子/字典类型

R 因子在 Arrow 中的对应类型是字典类型。因子转换为字典,反之亦然。为了说明这一点,让我们在 R 中创建一个小的因子对象

fct <- factor(c("cat", "dog", "pig", "dog"))
fct
## [1] cat dog pig dog
## Levels: cat dog pig

转换为 Arrow 时,结果是以下字典

dict <- chunked_array(fct, type = dictionary())
dict
## ChunkedArray
## <dictionary<values=string, indices=int32>>
## [
## 
##   -- dictionary:
##     [
##       "cat",
##       "dog",
##       "pig"
##     ]
##   -- indices:
##     [
##       0,
##       1,
##       2,
##       1
##     ]
## ]

转换回 R 时,我们恢复了原始因子

as.vector(dict)
## [1] cat dog pig dog
## Levels: cat dog pig

Arrow 字典比 R 因子稍微灵活一些:字典中的值不一定是字符串,但因子中的标签必须是字符串。因此,当转换为 R 时,Arrow 字典中的非字符串值将被强制转换为字符串。

日期类型

在 R 中,日期通常使用 Date 类表示。在内部,Date 对象是一种数值类型,其值表示自 Unix 纪元(1970 年 1 月 1 日)开始的天数。Arrow 提供了两种可以用来表示日期的数据类型:date32 类型和 date64 类型。date32 类型类似于 R 中的 Date 类:它在内部存储一个 32 位整数,表示自 1970 年 1 月 1 日以来的天数。arrow 中的默认设置是将 R Date 对象转换为 Arrow date32 类型。

nirvana_album_dates <- as.Date(c("1989-06-15", "1991-09-24", "1993-09-13"))
nirvana_album_dates
## [1] "1989-06-15" "1991-09-24" "1993-09-13"
nirvana_32 <- chunked_array(nirvana_album_dates, type = date32()) # default
nirvana_32
## ChunkedArray
## <date32[day]>
## [
##   [
##     1989-06-15,
##     1991-09-24,
##     1993-09-13
##   ]
## ]

Arrow 还提供了一种更高精度的 date64 类型,其中日期表示为一个 64 位整数,编码自 1970-01-01 00:00 UTC 以来的毫秒数。

nirvana_64 <- chunked_array(nirvana_album_dates, type = date64())
nirvana_64
## ChunkedArray
## <date64[ms]>
## [
##   [
##     1989-06-15,
##     1991-09-24,
##     1993-09-13
##   ]
## ]

从 Arrow 到 R 的转换有所不同。在内部,date32 类型与 R Date 非常相似,因此这些对象在 R 中被转换为 Date。

class(as.vector(nirvana_32))
## [1] "Date"

然而,由于 date64 类型指定到毫秒级精度,因此它们在 R 中被转换为 POSIXct 时间,以避免丢失相关信息的可能性。

class(as.vector(nirvana_64))
## [1] "POSIXct" "POSIXt"

时间/时间戳类型

在 R 中,有两个类用于表示日期和时间信息,POSIXct 和 POSIXlt。Arrow 只有一种:timestamp 类型。Arrow 时间戳大致类似于 POSIXct 类。在内部,POSIXct 对象将日期表示为一个数值变量,存储自 1970-01-01 00:00 UTC 以来的秒数。在内部,Arrow 时间戳是一个 64 位整数,表示自 1970-01-01 00:00 UTC 以来的毫秒数。

Arrow 和 R 都支持时区信息,但在打印的对象中显示方式不同。在 R 中,本地时间与其相邻的时区名称一起打印。

sydney_newyear <- as.POSIXct("2000-01-01 00:01", tz = "Australia/Sydney")
sydney_newyear
## [1] "2000-01-01 00:01:00 AEDT"

当转换为 Arrow 时,此 POSIXct 对象将成为 Arrow 时间戳对象。但是,打印时,时间瞬间始终以 UTC 而不是本地时间显示。

sydney_newyear_arrow <- chunked_array(sydney_newyear, type = timestamp())
sydney_newyear_arrow
## ChunkedArray
## <timestamp[s]>
## [
##   [
##     1999-12-31 13:01:00
##   ]
## ]

然而,时区信息并没有丢失,我们可以通过将 sydney_newyear_arrow 对象转换回 R POSIXct 对象来轻松地看到这一点。

as.vector(sydney_newyear_arrow)
## [1] "1999-12-31 13:01:00 UTC"

对于 POSIXlt 对象,行为有所不同。在内部,POSIXlt 对象是一个列表,使用各种与人类相关的字段指定“本地时间”。Arrow 中没有类似的类,因此默认行为是将其转换为 Arrow 列表。

时间类型

基础 R 没有一个类来表示独立于日期的时间(即,不可能在不参考特定日期的情况下指定“下午 3 点”),但这可以在 hms 包的帮助下完成。在内部,hms 对象始终存储为自 00:00:00 以来的秒数。

Arrow 有两种数据类型用于此目的。对于 time32 类型,数据存储为 32 位整数,解释为自 00:00:00 以来的秒数或毫秒数。请注意以下两者之间的区别

time_of_day <- hms::hms(56, 34, 12)
chunked_array(time_of_day, type = time32(unit = "s"))
## ChunkedArray
## <time32[s]>
## [
##   [
##     12:34:56
##   ]
## ]
chunked_array(time_of_day, type = time32(unit = "ms"))
## ChunkedArray
## <time32[ms]>
## [
##   [
##     12:34:56.000
##   ]
## ]

time64 对象类似,但使用 64 位整数存储时间,并且可以表示更高精度的时间。可以选择微秒(unit = "us")或纳秒(unit = "ns"),如下所示

chunked_array(time_of_day, type = time64(unit = "us"))
## ChunkedArray
## <time64[us]>
## [
##   [
##     12:34:56.000000
##   ]
## ]
chunked_array(time_of_day, type = time64(unit = "ns"))
## ChunkedArray
## <time64[ns]>
## [
##   [
##     12:34:56.000000000
##   ]
## ]

Arrow 中所有版本的 time32 和 time64 对象都会转换为 R 中的 hms 时间。

持续时间类型

时间长度在 R 中表示为 difftime 对象。Arrow 中的类似数据类型是 duration 类型。duration 类型存储为 64 位整数,可以表示秒数(默认值,unit = "s")、毫秒(unit = "ms")、微秒(unit = "us")或纳秒(unit = "ns")。为了说明这一点,我们将在 R 中创建一个对应于 278 秒的 difftime。

len <- as.difftime(278, unit = "secs")
len
## Time difference of 278 secs

转换为 Arrow 如下所示

chunked_array(len, type = duration(unit = "s")) # default
## ChunkedArray
## <duration[s]>
## [
##   [
##     278
##   ]
## ]
chunked_array(len, type = duration(unit = "ns"))
## ChunkedArray
## <duration[ns]>
## [
##   [
##     278000000000
##   ]
## ]

无论底层单位如何,Arrow 中的 duration 对象都会转换为 R 中的 difftime 对象。

默认转换列表

以上讨论涵盖了最常见的情况。本节中的两个表格提供了 arrow 如何在 R 数据类型和 Arrow 数据类型之间进行转换的更完整列表。在这些表格中,带有 - 的条目当前未实现。

从 R 到 Arrow 的转换

原始 R 类型 转换后的 Arrow 类型
logical boolean
integer int32
double (“numeric”) float64 1
character utf8 2
factor dictionary
raw uint8
Date date32
POSIXct timestamp
POSIXlt struct
data.frame struct
list 3 list
bit64::integer64 int64
hms::hms time32
difftime duration
vctrs::vctrs_unspecified null

1float64double 在 Arrow C++ 中是相同的概念和数据类型;但是,arrow 中仅使用 float64(),因为函数 double() 在基础 R 中已存在。

2:如果字符向量超过 2GB 的字符串,它将被转换为 large_utf8 Arrow 类型。

3:只有所有元素都具有相同类型的列表才能转换为 Arrow 列表类型(即某种类型的“列表”)。

从 Arrow 到 R 的转换

原始 Arrow 类型 转换后的 R 类型
boolean logical
int8 integer
int16 integer
int32 integer
int64 integer 1
uint8 integer
uint16 integer
uint32 integer 1
uint64 integer 1
float16 - 2
float32 double
float64 double
utf8 character
large_utf8 character
binary arrow_binary 3
large_binary arrow_large_binary 3
fixed_size_binary arrow_fixed_size_binary 3
date32 Date
date64 POSIXct
time32 hms::hms
time64 hms::hms
timestamp POSIXct
duration difftime
decimal double
dictionary factor 4
list arrow_list 5
large_list arrow_large_list 5
fixed_size_list arrow_fixed_size_list 5
struct data.frame
null vctrs::vctrs_unspecified
map arrow_list 5
union - 2

1:这些整数类型可能包含超过 R 的 integer 类型(32 位有符号整数)范围的值。当它们这样做时,uint32uint64 将转换为 double(“numeric”),int64 将转换为 bit64::integer64。可以通过设置 options(arrow.int64_downcast = FALSE) 来禁用此转换(以便 int64 始终生成 bit64::integer64 向量)。

2:某些 Arrow 数据类型目前没有 R 等效项,如果强制转换为或通过模式映射到,将会引发错误。

3arrow*_binary 类实现为原始向量列表。

4:由于 R 因子的限制,如果 Arrow dictionary 值不是字符串,则在转换为 R 时会被强制转换为字符串。

5arrow*_list 类作为 vctrs_list_of 的子类实现,其 ptype 属性设置为空数组的值类型转换成的类型。

延伸阅读