Snowflake Snowpark Python是否有time_slice的等效API实现方法？

问题 #

现有如下SQL CTE，需要转换为Snowpark Python版本：

with t as (
  select
    time_slice(to_timestamp_ntz(record_timestamp),5,'second') as timestamp,
    name,
    availableseconds
  from
    schemaName.dbName.tableName 
)
select count(*) from t;

目前已编写的Snowpark代码仅能选中所需列：

from snowflake.snowpark import Session
from snowflake.snowpark import functions as SF
import pandas as pd 

t_session = session.table('"schemaName"."dbName"."tableName"').select(
                        SF.col("record_timestamp"),
                        SF.col("availableseconds")
                    )

但后续需要转换为Pandas DataFrame后调用resample('5s').first()处理，该过程耗时较长。想知道是否可以在Snowpark中直接调用time_slice操作，获取对应的实现方法。

解决方案 #

完全可以在Snowpark中直接调用time_slice函数，无需将数据拉到本地Pandas处理，让计算在Snowflake端完成，大幅提升效率。

具体实现代码 #

Snowpark的functions模块提供了与SQL同名的time_slice函数，用法和SQL完全一致。以下是完整的转换代码：

from snowflake.snowpark import Session
from snowflake.snowpark import functions as SF

# 构建对应CTE逻辑的Snowpark DataFrame
t_session = session.table('"schemaName"."dbName"."tableName"').select(
    SF.time_slice(SF.to_timestamp_ntz(SF.col("record_timestamp")), 5, "second").alias("timestamp"),
    SF.col("name"),
    SF.col("availableseconds")
)

# 直接在Snowflake端执行count聚合计算
total_count = t_session.count()

# 如果需要按分组统计，示例如下：
# grouped_count = t_session.group_by("timestamp", "name").count()

# 若需要结果，可按需转为Pandas（此时数据量已大幅减少）
result_df = t_session.toPandas()

关键说明 #

• SF.time_slice的参数与SQL完全对齐：第一个参数为时间字段（这里通过to_timestamp_ntz将字段转换为Snowflake的时间类型），第二个是间隔数值，第三个是时间单位（如"second"、"minute"等）。
• 所有计算逻辑在Snowflake云端执行，避免了大量数据传输到本地，从根源解决了toPandas()后处理耗时的问题。

内容的提问来源于stack exchange，提问作者Ananth