Apache Arrow DataFusion 中 Parquet 数据剪枝对更多类型的支持

在 Apache Arrow DataFusion 项目中，Parquet 文件格式的数据剪枝（pruning）功能是一个重要的性能优化手段。它通过利用 Parquet 文件中的列统计信息（如最小值、最大值等）来跳过不相关的数据页或行组，从而减少 I/O 操作和提高查询性能。

目前 DataFusion 的剪枝功能主要支持整数类型等有限的数据类型，而对于浮点类型的支持存在一些限制。当用户使用浮点列进行过滤查询时，如果查询条件中包含浮点字面量（如 10.0），系统会自动将其视为双精度浮点数（Float64），这会导致浮点列被强制转换为双精度类型，从而无法利用现有的统计信息进行剪枝优化。

这个问题源于 DataFusion 物理优化器中的 verify_support_type_for_prune 函数，该函数目前只允许特定类型的转换组合。具体来说，当遇到浮点列与双精度字面量的比较时，系统会阻止使用统计信息进行剪枝。

解决方案可以从两个角度考虑：

1. 扩展 verify_support_type_for_prune 函数，使其支持更多数值类型之间的转换，特别是浮点类型。一个简单的改进是将检查条件放宽为"如果源类型和目标类型都是数值类型"。

2. 在查询解析阶段，对浮点字面量进行更智能的类型推断，避免不必要的类型提升。例如，当浮点列与 10.0 比较时，可以尝试将字面量保持为单精度浮点数（Float32）而非默认的双精度。

值得注意的是，浮点数的剪枝还涉及到一些特殊值的处理，如 NaN（非数字）。根据 Parquet 格式规范，NaN 值的比较行为需要特别处理，这增加了实现的复杂性。在实际查询中，如果统计信息中包含 NaN 值，剪枝逻辑需要确保不会错误地排除有效数据。

这个优化对于数据分析工作负载尤为重要，因为许多科学计算和机器学习应用都广泛使用浮点数据类型。通过完善浮点类型的剪枝支持，可以显著提升这类查询的性能，特别是在处理大型 Parquet 数据集时。

随着 Apache Arrow 生态系统的不断发展，对 Parquet 格式的支持也在持续完善。这个问题的解决不仅会提升 DataFusion 的性能，也将增强其与其他大数据处理工具的互操作性。