我有三个.snappy.parquet
存储在S3存储桶的文件,我试图用pandas.read_parquet()
,但是当我指定一个单一的实木复合地板的文件,它唯一的工作如:df = pandas.read_parquet("s3://bucketname/xxx.snappy.parquet")
,但是如果我不指定文件名df = pandas.read_parquet("s3://bucketname")
,这是不行的,它给我的错误:Seek before start of file
.
我做了很多阅读,然后我找到了这个页面
它表明我们可以pyarrow
用来读取多个镶木地板文件,所以这是我尝试过的:
import s3fs
import import pyarrow.parquet as pq
s3 = s3fs.S3FileSystem()
bucket_uri = f's3://bucketname'
data = pq.ParquetDataset(bucket_uri, filesystem=s3)
df = data.read().to_pandas()
这是有效的,但我发现其中一列的值df
是一个字典,我如何解码这个字典并将选定的key
作为列名和value
相应的值?
例如,当前列:
column_1
{'Id': 'xxxxx', 'name': 'xxxxx','age': 'xxxxx'....}
预期列:
Id age
xxx xxx
xxx xxx
这是输出data.read().schema
:
column_0: string
-- field metadata --
PARQUET:field_id: '1'
column_1: struct<Id: string, name: string, age: string,.......>
child 0, Id: string
-- field metadata --
PARQUET:field_id: '3'
child 1, name: string
-- field metadata --
PARQUET:field_id: '7'
child 2, age: string
-- field metadata --
PARQUET:field_id: '8'
...........
...........
您有一个具有“结构类型”的列,并且您想将其展平。为此,请在调用之前调用flattento_pandas
import pyarrow as pa
COLUMN1_SCHEMA = pa.struct([('Id', pa.string()), ('Name', pa.string()), ('Age', pa.string())])
SCHEMA = pa.schema([("column1", COLUMN1_SCHEMA), ('column2', pa.int32())])
df = pd.DataFrame({
"column1": [("1", "foo", "16"), ("2", "bar", "17"), ],
"column2": [1, 2],
})
pa.Table.from_pandas(df, SCHEMA).to_pandas() # without flatten
| column1 | column2 |
|:----------------------------------------|----------:|
| {'Id': '1', 'Name': 'foo', 'Age': '16'} | 1 |
| {'Id': '2', 'Name': 'bar', 'Age': '17'} | 2 |
pa.Table.from_pandas(df, SCHEMA).flatten().to_pandas() # with flatten
| column1.Id | column1.Name | column1.Age | column2 |
|-------------:|:---------------|--------------:|----------:|
| 1 | foo | 16 | 1 |
| 2 | bar | 17 | 2 |
作为旁注,您不应将其称为dictionary
列。dictionary
在 pyarrow 中加载术语,通常指代编码
编辑:如何读取镶木地板中的列子集
import pyarrow.parquet as pq
table = pa.Table.from_pandas(df, SCHEMA)
pq.write_table(table, 'data.pq')
# Using read_table:
pq.read_table('data.pq', columns=['column1.Id', 'column1.Age'])
# Using ParquetDataSet:
pq.ParquetDataset('data.pq').read(columns=['column1.Id', 'column1.Age'])
本文收集自互联网,转载请注明来源。
如有侵权,请联系 [email protected] 删除。
我来说两句