import pandas as pd
import os

# 指定数据目录路径
data_dir = '/home/yiyangai/stephenqs/datasets/physics_big/data'

# 初始化一个空的DataFrame，用来存储筛选出的样本
combined_df = pd.DataFrame()

# 遍历指定目录中的所有文件
for i in range(1, 128):  # 文件名为00001--00127.parquet
    file_name = f'{i:05d}.parquet'
    file_path = os.path.join(data_dir, file_name)
    
    # 读取当前的parquet文件
    df = pd.read_parquet(file_path)
    
    # 筛选出images字段不为空的样本
    non_empty_images_df = df[df['images'].apply(lambda x: len(x) > 0)]
    
    # 只取前3个样本
    selected_samples = non_empty_images_df.head(3)
    
    # 将筛选出的样本添加到合并的DataFrame中
    combined_df = pd.concat([combined_df, selected_samples], ignore_index=True)

# 保存合并后的结果到一个新的Parquet文件
output_file_path = os.path.join(data_dir, 'combined_images_non_empty.parquet')
combined_df.to_parquet(output_file_path)

print(f"已将筛选出的样本保存到 {output_file_path}")