Python：将熊猫数据框保存到镶木地板文件

Question

是否可以将 pandas 数据框直接保存到 parquet 文件中？ 如果不是，建议的流程是什么？

目的是能够将镶木地板文件发送给另一个团队，他们可以使用 scala 代码读取/打开它。谢谢！

Answer 1

这是对我有用的方法 - 类似于上面 - 但也选择规定压缩类型：

设置测试数据框

df = pd.DataFrame(data={'col1': [1, 2], 'col2': [3, 4]})

将数据框转换为拼花并保存到当前目录

df.to_parquet('df.parquet.gzip', compression='gzip')

读取当前目录下的 parquet 文件，返回 pandas 数据框

pd.read_parquet('df.parquet.gzip')

输出：

    col1    col2
0    1       3
1    2       4

Answer 2

是的，pandas 支持以 parquet 格式保存数据帧。

将 pandas 数据帧写入 parquet 的简单方法。

假设，df 是熊猫数据框。我们需要导入以下库。

import pyarrow as pa
import pyarrow.parquet as pq

首先，将数据帧df 写入pyarrow 表中。

# Convert DataFrame to Apache Arrow Table
table = pa.Table.from_pandas(df_image_0)

其次，将table写入parquet文件说file_name.parquet

# Parquet with Brotli compression
pq.write_table(table, 'file_name.parquet')

注意：parquet 文件可以在写入时进一步压缩。以下是流行的压缩格式。

• Snappy（默认，不需要参数）
• 压缩包
• 布罗特里

采用 Snappy 压缩的 Parquet

 pq.write_table(table, 'file_name.parquet')

采用 GZIP 压缩的 Parquet

pq.write_table(table, 'file_name.parquet', compression='GZIP')

使用 Brotli 压缩的 Parquet

pq.write_table(table, 'file_name.parquet', compression='BROTLI')

用不同格式的镶木地板进行比较

参考： https://tech.blueyonder.com/efficient-dataframe-storage-with-apache-parquet/

Answer 3

是的，这是可能的。这是示例代码：

import pyarrow as pa
import pyarrow.parquet as pq

df = pd.DataFrame(data={'col1': [1, 2], 'col2': [3, 4]})
table = pa.Table.from_pandas(df, preserve_index=True)
pq.write_table(table, 'output.parquet')

Answer 4

Pandas 有一个核心功能to_parquet()。只需将数据框写入 parquet 格式，如下所示：

df.to_parquet('myfile.parquet')

您仍然需要安装 parquet 库，例如 fastparquet。如果您安装了多个 parquet 库，您还需要指定您希望 pandas 使用哪个引擎，否则将需要安装第一个引擎（如documentation）。例如：

df.to_parquet('myfile.parquet', engine='fastparquet')

Answer 5

pyarrow 支持存储 pandas 数据帧：

import pyarrow

pyarrow.Table.from_pandas(dataset)

Answer 6

有一个名为 fastparquet 的包的相对较早的实现 - 它可能是您需要的一个很好的用例。

https://github.com/dask/fastparquet

conda install -c conda-forge fastparquet

或

pip install fastparquet

from fastparquet import write 
write('outfile.parq', df)

或者，如果你想使用一些文件选项，比如行分组/压缩：

write('outfile2.parq', df, row_group_offsets=[0, 10000, 20000], compression='GZIP', file_scheme='hive')