Daft项目中固定大小列表的Expression.list.value_counts问题分析
2025-06-29 07:15:29作者:农烁颖Land
问题背景
在Daft项目中,Expression.list.value_counts功能在处理固定大小列表时存在两个主要问题:
- 类型检查不允许用户传入固定大小的列表
- 即使绕过类型检查,内部实现也无法正确处理固定大小的列表
问题复现
通过以下代码可以复现这个问题:
table = MicroPartition.from_pydict(
{
"col1": [["a"], ["ab", "a"], [None, "a", "", None, "a", "b", "c"], None, ["a", ""]],
"col2": [
[[1]],
[[3, 3], [4], [5, 5]],
[],
[[], []],
None,
],
"start": [-1, 1, 0, 2, -2],
"end": [1, 2, 0, 4, 3],
"edge_start": [-1, -2, -5, 0, -2],
"edge_end": [-1, -2, -1, -2, -1],
}
)
result = table.eval_expression_list(
[
col("col1").list.distinct().alias("col1"),
]
)
print(f"result {result}")
技术分析
类型系统限制
Daft的类型检查系统目前对列表类型的处理存在局限性,特别是对于固定大小列表的支持不足。这导致在表达式求值时,系统无法正确识别和处理固定大小列表的结构。
内部实现问题
即使绕过类型检查,Expression.list.value_counts的内部实现也存在以下问题:
- 算法假设列表是可变长度的,没有考虑固定大小列表的特殊情况
- 计数逻辑没有针对固定大小列表进行优化
- 结果聚合方式可能不适合固定大小列表的特性
解决方案
要解决这个问题,需要从以下几个方面入手:
- 修改类型系统以支持固定大小列表
- 重写value_counts算法以正确处理固定大小列表
- 添加针对固定大小列表的优化路径
- 完善测试用例覆盖固定大小列表的各种场景
影响范围
这个问题主要影响以下功能:
- 使用固定大小列表的数据分析操作
- 依赖于value_counts功能的统计计算
- 涉及列表去重(distinct)的操作
总结
Daft项目中Expression.list.value_counts对固定大小列表的支持不足是一个需要优先解决的问题。修复这个问题将增强框架对复杂数据结构的支持能力,特别是对于需要处理固定大小列表的统计和分析场景。开发团队已经意识到这个问题的重要性,并将其标记为高优先级(P1)进行修复。
登录后查看全文
热门项目推荐
相关项目推荐
- QQwen3-Next-80B-A3B-InstructQwen3-Next-80B-A3B-Instruct 是一款支持超长上下文(最高 256K tokens)、具备高效推理与卓越性能的指令微调大模型00
- QQwen3-Next-80B-A3B-ThinkingQwen3-Next-80B-A3B-Thinking 在复杂推理和强化学习任务中超越 30B–32B 同类模型,并在多项基准测试中优于 Gemini-2.5-Flash-Thinking00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~0266cinatra
c++20实现的跨平台、header only、跨平台的高性能http库。C++00AI内容魔方
AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。02- HHunyuan-MT-7B腾讯混元翻译模型主要支持33种语言间的互译,包括中国五种少数民族语言。00
GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile06
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
热门内容推荐
最新内容推荐
项目优选
收起

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
143
1.91 K

deepin linux kernel
C
22
6

Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0

React Native鸿蒙化仓库
C++
192
273

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
927
551

旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
421
392

openGauss kernel ~ openGauss is an open source relational database management system
C++
145
189

为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Jupyter Notebook
75
64

本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
344
1.3 K

Elasticsearch
国内Top1 elasticsearch搜索引擎框架es ORM框架,索引全自动智能托管,如丝般顺滑,与Mybatis-plus一致的API,屏蔽语言差异,开发者只需要会MySQL语法即可完成对Es的相关操作,零额外学习成本.底层采用RestHighLevelClient,兼具低码,易用,易拓展等特性,支持es独有的高亮,权重,分词,Geo,嵌套,父子类型等功能...
Java
36
8