时间戳

首页 > 解决方案 > 将多个镶木地板文件加载到数据框中进行分析

python - 将多个镶木地板文件加载到数据框中进行分析

问题描述

我有几个 .parquet 文件，每个文件的形状(1126399, 503)和大小为 13MB。据我所知和我所读到的，这应该可以在本地机器上很好地处理。我正在尝试将它们放入 pandas 数据框以运行一些分析，但这样做时遇到了麻烦。将它们保存到 CSV 文件的成本太高，因为文件变得非常大并将它们直接加载到多个数据帧中，然后连接会给我带来内存错误。我从未使用过 .parquet 文件，也不确定最佳的前进路径是什么，或者如何使用这些文件对数据进行实际分析。

起初，我尝试过：

import pandas as pd
import pyarrow.parquet as pq

# This is repeated for all files
p0 = pq.read_table('part0.parquet') # each part increases python's memory usage by ~14%
df0 = part0.to_pandas() # each frame increases python's memory usage by additional ~14%

# Concatenate all dataframes together
df = pd.concat([df0, df1, df2, df3, df4, df6, df7], ignore_index=True)

这导致我内存不足。我在具有 12 个内核和 32GB 内存的系统上运行。我认为我会更有效率并尝试循环并删除不再需要的文件：

import pandas as pd

# Loop through files and load into a dataframe
df = pd.read_parquet('part0.parquet', engine='pyarrow')
files = ['part1.parquet', 'part2.parquet', 'part3.parquet'] # in total there are 6 files

for file in files:
    data = pd.read_parque(file)
    df = df.append(data, ignore_index=True)
    del data

不幸的是，这些都不起作用。非常感谢任何和所有帮助。

标签： pythonpandasdataframeparquet

解决方案

我打开了https://issues.apache.org/jira/browse/ARROW-3424关于至少在 pyarrow 中创建一个函数，该函数将尽可能有效地加载文件路径的集合。您可以使用 单独加载它们pyarrow.parquet.read_table，使用 连接pyarrow.Table对象pyarrow.concat_tables，然后调用Table.to_pandas转换为pandas.DataFrame。这将比与 pandas 连接更有效

推荐阅读