如何在Python中从S3中的pandas数据帧写入镶木地板文件

Question

我有一个 pandas 数据框。我想将此数据帧写入 S3 中的 parquet 文件。 我需要相同的示例代码。我尝试用谷歌搜索它。但我无法获得有效的示例代码。

Answer 1

供您参考，我有以下代码作品。

s3_url = 's3://bucket/folder/bucket.parquet.gzip'
df.to_parquet(s3_url, compression='gzip')

为了使用

to_parquet

，您需要安装

pyarrow

或

fastparquet

。另外，请确保位于

config

文件夹中的

credentials

和

.aws

文件中包含正确的信息。

编辑：此外，需要

s3fs

。请参阅https://stackoverflow.com/a/54006942/1862909

Answer 2

下面的函数在缓冲区中获取镶木地板输出，然后将 buffer.values() 写入 S3，无需在本地保存镶木地板

此外，由于您正在创建 s3 客户端，因此您可以使用 aws s3 密钥创建凭证，这些凭证可以存储在本地、气流连接或 aws Secrets Manager 中

def dataframe_to_s3(s3_client, input_datafame, bucket_name, filepath, format):

        if format == 'parquet':
            out_buffer = BytesIO()
            input_datafame.to_parquet(out_buffer, index=False)

        elif format == 'csv':
            out_buffer = StringIO()
            input_datafame.to_parquet(out_buffer, index=False)

        s3_client.put_object(Bucket=bucket_name, Key=filepath, Body=out_buffer.getvalue())

S3_client 只是一个 boto3 客户端对象。希望这有帮助！

礼貌 - https://stackoverflow.com/a/40615630/12036254

Answer 3

首先确保你已经安装了 pandas 和 pyarrow 或 fastparquet。

然后安装 boto3 和 aws cli。使用 aws cli 设置配置和凭证文件，位于 .aws 文件夹。

这是一个简单的脚本，使用 pyarrow 和 boto3 创建临时镶木地板文件，然后发送到 AWS S3。

不包括导入的示例代码：

import pyarrow as pa
import pyarrow.parquet as pq

def main():
    data = {0: {"data1": "value1"}}
    df = pd.DataFrame.from_dict(data, orient='index')
    write_pandas_parquet_to_s3(
        df, "bucket", "folder/test/file.parquet", ".tmp/file.parquet")


def write_pandas_parquet_to_s3(df, bucketName, keyName, fileName):
    # dummy dataframe
    table = pa.Table.from_pandas(df)
    pq.write_table(table, fileName)

    # upload to s3
    s3 = boto3.client("s3")
    BucketName = bucketName
    with open(fileName) as f:
       object_data = f.read()
       s3.put_object(Body=object_data, Bucket=BucketName, Key=keyName)

Answer 4

对于 python 3.6+，AWS 有一个名为 aws-data-wrangler 的库，有助于 Pandas/S3/Parquet 之间的集成

安装；

pip install awswrangler

如果您想将 pandas 数据框作为 parquet 文件写入 S3；

import awswrangler as wr
wr.s3.to_parquet(
    dataframe=df,
    path="s3://my-bucket/key/my-file.parquet"
)

Answer 5

只是提供一个使用 kwargs 强制覆盖的进一步示例。

我的用例是分区结构确保如果我重新处理输入文件，输出镶木地板应覆盖分区中的所有内容。为此，我使用传递给 pyarrow 的 kwargs：

s3_url = "s3://<your-bucketname>/<your-folderpath>/"
df.to_parquet(s3_url, 
              compression='snappy', 
              engine = 'pyarrow',
              partition_cols = ["GSDate","LogSource", "SourceDate"],
              existing_data_behavior = 'delete_matching')

最后一个参数（existing_data_behaviour）是传递给底层 pyarrow write_dataset 的 **kwargs 的一部分。 （https://arrow.apache.org/docs/python/ generated/pyarrow.dataset.write_dataset.html#pyarrow.dataset.write_dataset）

否则，重新运行会创建重复的数据。如上所述，这需要

s3fs