【python】pyarrow.parquet+pandas：读取及使用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