Parquet checkpointing adds null dictionary entries and rejects mixed JSON arrays
メンテナーはふだん 1 日以内に返信
評価
調査の方向性
Start by running the attached repro.py scripts with and without --encode, then inspect the Parquet checkpoint writer and its read path. The issue reports failures for dictionaries and mixed JSON arrays in custom-column and structured-column outputs; identify where checkpoint serialization handles these values. Done means both cases round-trip with absent keys distinct from explicit nulls and mixed arrays stored successfully.
索引モデルが issue の本文から書いたものです。
説明
Priority Level
Medium (Annoying but has workaround)
Describe the bug
Data Designer 0.9.3 can alter dictionaries during Parquet storage and fail to store schema-valid mixed arrays.
Arrow inference treats dictionaries as structs, merging their keys and adding null values for absent entries:
Input:
{"fields": {"alpha": 1}}
{"fields": {"beta": 2}}
Restored:
{"fields": {"alpha": 1, "beta": null}}
{"fields": {"alpha": null, "beta": 2}}
This changes the data’s meaning by making absent keys indistinguishable from explicit null values.
Mixed arrays such as [1, "two", true, null] fail checkpoint writing with ArrowInvalid:
Could not convert 'two' with type str: tried to convert to int64
These problems affect custom-column outputs. They also occur with schema-declared structured outputs after isolating the separate parser bug in #1043.
Steps/Code to reproduce bug
The attached scripts use deterministic inputs and require no credentials or model calls.
Reproduce through custom columns, then verify the JSON-text workaround:
uv run --script repro.py
uv run --script repro.py --encode
Reproduce through LLMStructuredColumnConfig:
uv run --script repro_structured.py --case mixed-array
uv run --script repro_structured.py --case typed-map --respect-schema
uv run --script repro_structured.py --case json-map --respect-schema
repro_structured.py mocks model generation while retaining DD’s actual parsing, structured-column generation, and storage. It tests both Pydantic and JSON Schema declarations.
--respect-schema diagnostically disables the parser’s additionalProperties rewrite to isolate storage behavior. It does not change the storage writer. The mixed-array case reproduces without this diagnostic.
Tested with:
data-designer==0.9.3
pydantic==2.14.1
pandas==2.3.3
pyarrow==24.0.0
Expected behavior
Supported dictionary and flexible JSON values should retain their contents through checkpoint writes and reads. Absent dictionary keys must remain distinguishable from explicit nulls, and schema-valid mixed arrays should be stored successfully
Agent Diagnostic / Prior Investigation
Bug was encountered when making changes to a DD pipeline. Issue content and reproduction scripts are AI generated and human reviewed.
Fixed records round-trip correctly. Explicitly encoding whole custom-column payloads as JSON text preserves dictionaries and mixed arrays. Disabling the separate parser rewrite does not resolve the storage failures.
Additional context
Split from #1043, which tracks valid dictionary entries being removed during parsing.
Checklist
- I reproduced this issue or provided a minimal example
- I searched the docs/issues myself, or had my agent do so
- If I used an agent, I included its diagnostics above
- 主要言語
- Python
- スター
- 2.4k
- フォーク
- 234
- 平均マージ
- 22時間 5分
- マージ済み PR（30日）
- 70
環境構築
- Dockerfile・Docker Compose ファイルなし
- プルリクエストのテンプレートあり
- コントリビューションガイドを読む
はじめの一歩
- issue を最後まで読み、次にプロジェクトのコントリビューションガイドを読みます。
- 着手することを issue にコメントします — 二人が同じ作業をするのを防げます。
- リポジトリをフォークし、ブランチを切って変更します。
- issue 番号を参照したプルリクエストを送ります。
NVIDIA-NeMo/DataDesigner のほかの issue
-
`ValidationColumnConfig` misaligns rows and discards the whole batch after an upstream row is dropped対応中かも @suryapilla が今日担当しました。 オープンtriaged
難易度 2/5 1〜3時間 初心者へのやさしさ 78/100
NVIDIA-NeMo/DataDesigner#1073 · コメント 4 件 ·
メンテナーはふだん 1 日以内に返信
-
docs: required_columns description is incomplete for LLM and multimodal columns対応中かも @rksharma-owg が 6 日前に担当しました。 オープンbug triaged
難易度 2/5 1〜3時間 初心者へのやさしさ 65/100
NVIDIA-NeMo/DataDesigner#1002 · コメント 4 件 ·
メンテナーはふだん 1 日以内に返信
-
enforce \from future import annotations` via ruff FA102 rule`対応中かも @chethanuk が 42 日前に担当しました。 オープンtask
難易度 2/5 1〜3時間 初心者へのやさしさ 82/100
NVIDIA-NeMo/DataDesigner#760 ·
メンテナーはふだん 1 日以内に返信
-
難易度 4/5 3〜5日 初心者へのやさしさ 52/100
NVIDIA-NeMo/DataDesigner#1079 ·
メンテナーはふだん 1 日以内に返信
-
Children forked after a run generate identical sampler data対応中かも @binaryaaron が今日担当しました。 オープンbug
難易度 3/5 1〜2日 初心者へのやさしさ 25/100
NVIDIA-NeMo/DataDesigner#1076 ·
メンテナーはふだん 1 日以内に返信
NVIDIA-NeMo/DataDesigner の issue をすべて見る
似ている issue
-
難易度 2/5 1〜3時間 初心者へのやさしさ 67/100
MISP/misp-workbench#496 ·
メンテナーはふだん 1 日以内に返信
-
難易度 2/5 1〜3時間 初心者へのやさしさ 66/100
メンテナーはふだん 1 日以内に返信
-
難易度 1/5 1〜3時間 初心者へのやさしさ 88/100
fossasia/visdom-dev#69 ·
メンテナーはふだん 3 日以内に返信
-
[Bug] Parameters named like a property break to_xcal()対応中かも @atharvasalunke1267 が今日担当しました。 オープン
難易度 2/5 1〜3時間 初心者へのやさしさ 65/100
collective/icalendar#2018 · コメント 2 件 ·
メンテナーはふだん 1 日以内に返信
-
難易度 2/5 1〜3時間 初心者へのやさしさ 75/100
メンテナーはふだん 1 日以内に返信