Parquet是一种用于列式存储和压缩数据的文件格式,广泛应用于大数据处理和分析中。Python提供了多个库来处理Parquet文件,例如pyarrow和fastparquet。
本文将介绍如何使用pyarrow.parquet+pandas库操作Parquet文件。
一、前言
1. 所需的库
import pyarrow.parquet as pq
import pandas as pd
pyarrow.parquet
模块,可以读取和写入Parquet文件,以及进行一系列与Parquet格式相关的操作。例如,可以使用该模块读取Parquet文件中的数据,并转换为pandas DataFrame来进行进一步的分析和处理。同时,也可以使用这个模块将DataFrame的数据保存为Parquet格式。
2. 终端指令
conda create -n DL python==3.11
conda activate DL
conda install pyarrow
或
pip install pyarrow
二、pyarrow.parquet
当使用pyarrow.parquet
模块时,通常的操作包括读取和写入Parquet文件,以及对Parquet文件中的数据进行操作和转换。以下是一些常见的使用方法:
1. 读取Parquet文件
import pyarrow.parquet as pq
parquet_file = pq.ParquetFile('file.parquet')
data = parquet_file.read().to_pandas()
- 使用
pq.ParquetFile
打开Parquet文件; - 使用
read().to_pandas()
方法将文件中的数据读取为pandas DataFrame。
2. 写入Parquet文件
import pandas as pd
import pyarrow as pa
import pyarrow.parquet as pq
df = pd.DataFrame({'col1': [1, 2, 3], 'col2': ['a', 'b', 'c']})
table = pa.Table.from_pandas(df)
pq.write_table(table, 'output.parquet')
- 将pandas DataFrame转换为Arrow的Table格式;
- 使用
pq.write_table
方法将Table写入为Parquet文件。
parquet_file = pq.ParquetFile('output.parquet')
data = parquet_file.read().to_pandas()
print(data)
3. 对数据进行操作
import pyarrow.parquet as pq
# 读取Parquet文件
parquet_file = pq.ParquetFile('output.parquet')
data = parquet_file.read().to_pandas()
# 对数据进行筛选和转换
filtered_data = data[data['col1'] > 1] # 筛选出col1大于1的行
print(filtered_data)
transformed_data = filtered_data.assign(col3=filtered_data['col1'] * 2) # 添加一个新列col3,值为col1的两倍
# 打印处理后的数据
print(transformed_data)
4. 导出数据为csv
import pyarrow.parquet as pq
import pandas as pd
parquet_file = pq.ParquetFile('output.parquet')
data = parquet_file.read().to_pandas()
df = pd.DataFrame(data)
csv_path = './data.csv'
df.to_csv(csv_path)
print(f'数据已保存到 {csv_path}')
三、实战
1. 简单读取
import pyarrow.parquet as pq
import pandas as pd
parquet_file = pq.ParquetFile('./train_parquet/part-00014-918feee1-1ad5-4b08-8876-4364cc996930-c000.snappy.parquet')
data = parquet_file.read().to_pandas()
df = pd.DataFrame(data)
csv_path = './data2.csv'
df.to_csv(csv_path)
print(f'数据已保存到 {csv_path}')
关于PyCharm调试操作可参照:PyCharm基础调试功能详解
点击右侧蓝色的View as DataFrame
如图所示,feature
在同一个格内,导出为:
注意看,省略号...
位置真的就是省略号字符,没有数字,即
[0.27058824 0. 0.05882353 ... 0.47843137 0.36862745 0.97647059]
2. 数据操作(分割feature)
import pyarrow.parquet as pq
import pandas as pd
parquet_file = pq.ParquetFile('./train_parquet/part-00014-918feee1-1ad5-4b08-8876-4364cc996930-c000.snappy.parquet')
data = parquet_file.read().to_pandas()
# 将feature列中的列表拆分成单独的特征值
split_features = data['feature'].apply(lambda x: pd.Series(x))
# 将拆分后的特征添加到DataFrame中
data = pd.concat([data, split_features], axis=1)
print(data.head(2))
# 删除原始的feature列
data = data.drop('feature', axis=1)
# 保存到csv文件
csv_path = './data1.csv'
data.to_csv(csv_path, index=False)
print(f'数据已保存到 {csv_path}')
- 调试打开:
- excel打开:
- 文件大小对比
部分内容援引自博客:使用python打开parquet文件
3. 迭代方式来处理Parquet文件
如果Parquet文件非常大,可能会占用大量的内存。在处理大型数据时,建议使用迭代的方式来处理Parquet文件,以减少内存的占用。以下是一种更加内存友好的方式来处理Parquet文件:文章来源:https://www.toymoban.com/news/detail-832459.html
import pyarrow.parquet as pq
import pandas as pd
import time
start_time = time.time() # 记录开始时间
# 使用迭代器迭代读取Parquet文件中的数据
data_iterator = pq.ParquetFile(
'./train_parquet/part-00014-918feee1-1ad5-4b08-8876-4364cc996930-c000.snappy.parquet').iter_batches(batch_size=100)
# 初始化空的DataFrame用于存储数据
data = pd.DataFrame()
# 逐批读取数据并进行处理
for batch in data_iterator:
# 将RecordBatch转换为Pandas DataFrame
df_batch = batch.to_pandas()
# 将feature列中的列表拆分成单独的特征值
split_features = df_batch['feature'].apply(lambda x: pd.Series(x))
# 将拆分后的特征添加到DataFrame中
df_batch = pd.concat([df_batch, split_features], axis=1)
# 将处理后的数据追加到DataFrame中
data = data._append(df_batch, ignore_index=True)
# 删除原始的feature列
data = data.drop('feature', axis=1)
# 保存到csv文件
csv_path = './data3.csv'
data.to_csv(csv_path, index=False)
end_time = time.time() # 记录结束时间
print(f'数据已保存到 {csv_path}')
print(f'总运行时间: {end_time - start_time} 秒')
输出:文章来源地址https://www.toymoban.com/news/detail-832459.html
数据已保存到 ./data3.csv
总运行时间: 4.251184940338135 秒
4. 读取同一文件夹下多个parquet文件
import os
import pyarrow.parquet as pq
import pandas as pd
import time
start_time = time.time() # 记录开始时间
folder_path = './train_parquet/'
parquet_files = [f for f in os.listdir(folder_path) if f.endswith('.parquet')]
# 初始化空的DataFrame用于存储数据
data = pd.DataFrame()
# 逐个读取Parquet文件中的数据并进行处理
for file in parquet_files:
file_path = os.path.join(folder_path, file)
data_iterator = pq.ParquetFile(file_path).iter_batches(batch_size=1024)
for batch in data_iterator:
# 将RecordBatch转换为Pandas DataFrame
df_batch = batch.to_pandas()
# 将feature列中的列表拆分成单独的特征值
split_features = df_batch['feature'].apply(lambda x: pd.Series(x))
# 将拆分后的特征添加到DataFrame中
df_batch = pd.concat([df_batch, split_features], axis=1)
# 将处理后的数据追加到DataFrame中
data = data._append(df_batch, ignore_index=True)
# 删除原始的feature列
data = data.drop('feature', axis=1)
# 保存到csv文件
csv_path = './data.csv'
data.to_csv(csv_path, index=False)
end_time = time.time() # 记录结束时间
print(f'数据已保存到 {csv_path}')
print(f'总运行时间: {end_time - start_time} 秒')
到了这里,关于【python】pyarrow.parquet+pandas:读取及使用parquet文件的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!