【python】pyarrow.parquet+pandas：读取及使用parquet文件

文章目录

• 一、前言
• • 1. 所需的库
  • 2. 终端指令
• 二、pyarrow.parquet
• • 1. 读取Parquet文件
  • 2. 写入Parquet文件
  • 3. 对数据进行操作
  • 4. 导出数据为csv
• 三、实战
• • 1. 简单读取
  • 2. 数据操作（分割feature）
  • 3. 迭代方式来处理Parquet文件
  • 4. 读取同一文件夹下多个parquet文件

  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

• 1
• 2
• 3

  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

• 1

conda activate DL

• 1

conda install pyarrow

• 1

或

pip install pyarrow

• 1

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()

• 1
• 2
• 3
• 4

• 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')

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8

• 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)

• 1
• 2
• 3
• 4

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)

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14

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}')

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11

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}')

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11

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]

• 1

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}')

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21

• 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：

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')

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23
• 24
• 25
• 26
• 27
• 28
• 29
• 30
• 31
• 32
• 33
• 34
• 35
• 36
• 37
• 38

输出：

数据已保存到 ./data3.csv 总运行时间: 4.251184940338135 秒

• 1
• 2

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')

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23
• 24
• 25
• 26
• 27
• 28
• 29
• 30
• 31
• 32
• 33
• 34
• 35
• 36
• 37
• 38
• 39
• 40
• 41
• 42