Hacktoberfest 2026: los issues que los mantenedores marcaron para octubre, abiertos y aptos para principiantes. Explorar issues de Hacktoberfest

Integrate `datafusion-distributed` with `datafusion-python`

Abierto
#1,612 16 comentarios 1 reacción 0 asignados Ver en GitHub

Nadie ha tomado este issue todavía.

Evaluación

Dificultad
5/5
Tiempo estimado
Más de una semana
Aptitud para principiantes
35/100
Tipo de issue
Nueva funcionalidad
Claridad
Bastante claro
Estado de actividad
Tranquilo
Stack tecnológico
python, rust

Línea de trabajo

Comienza revisando la integración intentada en el pull request #1611 y las APIs existentes de datafusion-python y datafusion-distributed. Compara las tres disposiciones propuestas de dependencias y APIs, y después revisa los ejemplos y las pruebas incluidos en ese intento. Se considera terminado cuando exista una dirección de integración acordada que permita realizar consultas distribuidas desde Python sin cambios innecesarios en la API.

Escrito por el modelo de indexación a partir del texto del issue.

Descripción

enhancement

Is your feature request related to a problem or challenge? Please describe what you are trying to do.

Allow running distributed queries in datafusion-python

Describe the solution you'd like

Ideally something well integrated with datafusion-python that does not require big changes or using different APIs for executing distributed queries.

datafusion-python is already a very ergonomic wrapper for using datafusion, so something maintaining that philosophy without introducing a lot of API surface would be ideal.

I'm interested specifically in using the datafusion-distributed library from within Python, and I see three mutually exclusive ways of integrating it:

  • Make datafusion-python depend on datafusion-distributed, hiding some internal plumbing in datafusion-python and extending the current API with distributed capabilities.
  • Create an external crate that depends on both datafusion-distributed and datafusion-python that ships an external API for using distributed functionality in datafusion-python
  • Make datafusion-distributed depend on datafusion-python, providing a set of functions and classes that decorate datafusion-python with distributed capabilities

I'm not sure which approach aligns best with this project's philosophy, the naive intuition from someone unfamiliar with this project is that the first option has greater chances of providing a well integrated experience, and it's probably the easiest to implement due to the fact that internal plumbing in the Rust world can be hidden in this project.

I actually tried this here:

And the fact that with only ~1K LOC, examples and tests included, can yield a functional integration, makes me think that it might actually not be a bad idea. But again, I don't know what I don't know, so would very gladly accept feedback and suggestions on something different.

Lenguaje dominante
Python
Estrellas
605
Forks
176
Merge medio
1 d 23 h
PR fusionados (30 d)
8

Guía de contribución

No hay ninguna guía de contribución indexada para este repositorio

Primeros pasos

  1. Lee el issue completo y luego la guía de contribución del proyecto.
  2. Comenta en el issue que vas a ocuparte — evita que dos personas hagan lo mismo.
  3. Haz un fork del repositorio y trabaja en una rama.
  4. Abre un pull request que haga referencia al número del issue.

Más de apache/datafusion-python

Todos los issues de apache/datafusion-python

Issues similares

Más issues de Python

Recibe los nuevos issues en tu correo

Un resumen breve de issues de GitHub para principiantes.