arrow 程序包提供的功能允许用户使用熟悉的 dplyr 语法来操作表格式的 Arrow 数据（Table 和 Dataset 对象）。要启用此功能，请确保同时加载了 arrow 和 dplyr 程序包。在本文中，我们将采用 dplyr 中包含的 starwars 数据集，将其转换为 Arrow Table，然后对该数据进行分析。请注意，尽管这些示例均使用内存中的 Table 对象，但相同的功能也适用于磁盘上的 Dataset 对象，仅在行为上有细微差别（将在本文后续部分记录）。
首先，让我们加载程序包并创建数据
library(dplyr, warn.conflicts = FALSE)
library(arrow, warn.conflicts = FALSE)
sw <- arrow_table(starwars, as_data_frame = FALSE)单表 dplyr 动词
arrow 程序包支持 dplyr 的单表动词，允许用户以熟悉的方式构建数据分析流水线。以下示例展示了 filter()、rename()、mutate()、arrange() 和 select() 的使用
result <- sw |>
filter(homeworld == "Tatooine") |>
rename(height_cm = height, mass_kg = mass) |>
mutate(height_in = height_cm / 2.54, mass_lbs = mass_kg * 2.2046) |>
arrange(desc(birth_year)) |>
select(name, height_in, mass_lbs)值得注意的是，arrow 使用惰性求值（lazy evaluation）来推迟计算，直到明确请求结果时才进行。这通过使 Arrow C++ 库能够在一次操作中执行多次计算来加快处理速度。由于这种设计选择，我们尚未对 sw 数据执行计算。result 变量是一个 arrow_dplyr_query 类的对象，它代表了所有将要执行的计算
result## Table (query)
## name: string
## height_in: double (divide(cast(height, {to_type=double, allow_int_overflow=false, allow_time_truncate=false, allow_time_overflow=false, allow_decimal_truncate=false, allow_float_truncate=false, allow_invalid_utf8=false}), cast(2.54, {to_type=double, allow_int_overflow=false, allow_time_truncate=false, allow_time_overflow=false, allow_decimal_truncate=false, allow_float_truncate=false, allow_invalid_utf8=false})))
## mass_lbs: double (multiply_checked(mass, 2.2046))
##
## * Filter: (homeworld == "Tatooine")
## * Sorted by birth_year [desc]
## See $.data for the source Arrow object要执行这些计算并实现结果，我们调用 compute() 或 collect()。两者之间的区别决定了将返回何种类型的对象。调用 compute() 会返回一个 Arrow Table，适合传递给其他 arrow 或 dplyr 函数
compute(result)## Table
## 10 rows x 3 columns
## $name <string>
## $height_in <double>
## $mass_lbs <double>相比之下，collect() 返回一个 R 数据框，适合查看或传递给其他 R 函数进行分析或可视化
collect(result)## # A tibble: 10 x 3
## name height_in mass_lbs
## <chr> <dbl> <dbl>
## 1 C-3PO 65.7 165.
## 2 Cliegg Lars 72.0 NA
## 3 Shmi Skywalker 64.2 NA
## 4 Owen Lars 70.1 265.
## 5 Beru Whitesun Lars 65.0 165.
## 6 Darth Vader 79.5 300.
## 7 Anakin Skywalker 74.0 185.
## 8 Biggs Darklighter 72.0 185.
## 9 Luke Skywalker 67.7 170.
## 10 R5-D4 38.2 70.5arrow 程序包对单表 dplyr 动词有广泛支持，包括那些计算聚合的动词。例如，它支持 group_by() 和 summarize()，以及常用的便捷函数如 count()
## # A tibble: 38 x 2
## species mean_height
## <chr> <dbl>
## 1 Human 178
## 2 Droid 131.
## 3 Wookiee 231
## 4 Rodian 173
## 5 Hutt 175
## 6 NA 175
## 7 Yoda's species 66
## 8 Trandoshan 190
## 9 Mon Calamari 180
## 10 Ewok 88
## # i 28 more rows## # A tibble: 3 x 2
## gender n
## <chr> <int>
## 1 masculine 66
## 2 feminine 17
## 3 NA 4但请注意，目前尚不支持窗口函数，如 ntile()。
双表 dplyr 动词
支持等值连接（例如 left_join()、inner_join()）以连接多个表。下文对此进行了说明
jedi <- data.frame(
name = c("C-3PO", "Luke Skywalker", "Obi-Wan Kenobi"),
jedi = c(FALSE, TRUE, TRUE)
)
sw |>
select(1:3) |>
right_join(jedi) |>
collect()## # A tibble: 3 x 4
## name height mass jedi
## <chr> <int> <dbl> <lgl>
## 1 Luke Skywalker 172 77 TRUE
## 2 C-3PO 167 75 FALSE
## 3 Obi-Wan Kenobi 182 77 TRUEdplyr 动词内的表达式
在 dplyr 动词内部，Arrow 支持许多函数和运算符，常用函数被映射到其对应的基础 R 和 tidyverse 等价物：您可以在函数文档中找到 dplyr 查询中支持的函数列表。如果您希望看到其他函数的实现，请按照 获取帮助 指南中的描述提交问题。
注册自定义绑定
arrow 程序包允许用户在某些情况下使用 register_scalar_function() 为自定义函数提供绑定。为了正确运行，待注册的函数必须将 context 作为其第一个参数，这是查询引擎的要求。例如，假设我们要实现一个将字符串转换为蛇形命名法（snake case）的函数（这是 janitor::make_clean_names() 的极简版本）。该函数可以按如下方式编写
to_snake_name <- function(context, string) {
replace <- c(`'` = "", `"` = "", `-` = "", `\\.` = "_", ` ` = "_")
string |>
stringr::str_replace_all(replace) |>
stringr::str_to_lower() |>
stringi::stri_trans_general(id = "Latin-ASCII")
}要在 arrow/dplyr 流水线中调用此函数，需要对其进行注册
register_scalar_function(
name = "to_snake_name",
fun = to_snake_name,
in_type = utf8(),
out_type = utf8(),
auto_convert = TRUE
)在该表达式中，name 参数指定了它在 arrow/dplyr 流水线上下文中将被识别的名称，而 fun 是函数本身。in_type 和 out_type 参数用于指定输入和输出的预期数据类型，auto_convert 指定 arrow 是否应自动将任何 R 输入转换为其 Arrow 等价物。
注册后，以下代码即可正常工作
## # A tibble: 87 x 2
## name snake_name
## <chr> <chr>
## 1 Luke Skywalker luke_skywalker
## 2 C-3PO c3po
## 3 R2-D2 r2d2
## 4 Darth Vader darth_vader
## 5 Leia Organa leia_organa
## 6 Owen Lars owen_lars
## 7 Beru Whitesun Lars beru_whitesun_lars
## 8 R5-D4 r5d4
## 9 Biggs Darklighter biggs_darklighter
## 10 Obi-Wan Kenobi obiwan_kenobi
## # i 77 more rows要了解更多信息，请参阅 help("register_scalar_function", package = "arrow")。
处理不支持的表达式
对于存储在内存中且通常可以表示为数据框的 Table 对象的 dplyr 查询，如果 arrow 程序包在 dplyr 动词中检测到未实现的函数，它会自动调用 collect()，在处理该 dplyr 动词之前将数据返回为 R 数据框。例如，lm() 和 residuals() 均未实现，因此如果我们编写计算线性回归模型残差的代码，就会发生这种自动收集行为
sw |>
filter(!is.na(height), !is.na(mass)) |>
transmute(name, height, mass, res = residuals(lm(mass ~ height)))## Warning: In residuals(lm(mass ~ height)):
## i Expression not supported in Arrow
## > Pulling data into R## # A tibble: 59 x 4
## name height mass res
## <chr> <int> <dbl> <dbl>
## 1 Luke Skywalker 172 77 -18.8
## 2 C-3PO 167 75 -17.7
## 3 R2-D2 96 32 -16.4
## 4 Darth Vader 202 136 21.4
## 5 Leia Organa 150 49 -33.1
## 6 Owen Lars 178 120 20.4
## 7 Beru Whitesun Lars 165 75 -16.5
## 8 R5-D4 97 32 -17.0
## 9 Biggs Darklighter 183 84 -18.7
## 10 Obi-Wan Kenobi 182 77 -25.1
## # i 49 more rows对于 Dataset 对象（可能大于内存）的查询，arrow 的处理更为保守，如果检测到不支持的表达式，总是会引发错误。为了说明这种行为，我们可以将 starwars 数据写入磁盘，然后将其作为 Dataset 打开。当我们对 Dataset 使用相同的流水线时，会收到错误提示
# write and open starwars dataset
dataset_path <- tempfile()
write_dataset(starwars, dataset_path)
sw2 <- open_dataset(dataset_path)
# dplyr pipeline with unsupported expressions
sw2 |>
filter(!is.na(height), !is.na(mass)) |>
transmute(name, height, mass, res = residuals(lm(mass ~ height)))## Error in `residuals()`:
## ! Expression not supported in Arrow
## > Call collect() first to pull data into R.在流水线中间调用 collect() 可以解决此问题
sw2 |>
filter(!is.na(height), !is.na(mass)) |>
collect() |>
transmute(name, height, mass, res = residuals(lm(mass ~ height)))## # A tibble: 59 x 4
## name height mass res
## <chr> <int> <dbl> <dbl>
## 1 Luke Skywalker 172 77 -18.8
## 2 C-3PO 167 75 -17.7
## 3 R2-D2 96 32 -16.4
## 4 Darth Vader 202 136 21.4
## 5 Leia Organa 150 49 -33.1
## 6 Owen Lars 178 120 20.4
## 7 Beru Whitesun Lars 165 75 -16.5
## 8 R5-D4 97 32 -17.0
## 9 Biggs Darklighter 183 84 -18.7
## 10 Obi-Wan Kenobi 182 77 -25.1
## # i 49 more rows对于某些操作，您可以使用 DuckDB。它原生支持 Arrow，因此您可以使用辅助函数 to_duckdb() 将 Dataset 或查询对象传递给 DuckDB 而不会产生性能损失，并使用 to_arrow() 将对象传回 Arrow
sw |>
select(1:4) |>
filter(!is.na(hair_color)) |>
to_duckdb() |>
group_by(hair_color) |>
filter(height < mean(height, na.rm = TRUE)) |>
to_arrow() |>
# perform other arrow operations...
collect()## # A tibble: 28 x 4
## name height mass hair_color
## <chr> <int> <dbl> <chr>
## 1 Luke Skywalker 172 77 blond
## 2 Leia Organa 150 49 brown
## 3 Beru Whitesun Lars 165 75 brown
## 4 Wedge Antilles 170 77 brown
## 5 Yoda 66 17 white
## 6 Lobot 175 79 none
## 7 Ackbar 180 83 none
## 8 Wicket Systri Warrick 88 20 brown
## 9 Nien Nunb 160 68 none
## 10 Finis Valorum 170 NA blond
## # i 18 more rows进一步阅读
- 要了解有关多文件数据集的更多信息，请参阅 dataset 文章。
- 要了解有关用户注册函数的更多信息，请参阅
help("register_scalar_function", package = "arrow")。 - 要了解有关以 arrow 开发人员身份编写 dplyr 绑定的更多信息，请参阅 关于编写绑定的文章。