Question

我需要从s3中存储的Parquet文件中逐步将数据加载到Pandas，我正试图为此使用PyArrow，但没有任何运气。

将Parquet文件的整个目录写入Pandas即可：

import s3fs
import pyarrow.parquet as pq
import pandas as pd

fs = s3fs.S3FileSystem(mykey,mysecret)
p_dataset = pq.ParquetDataset('s3://mys3bucket/directory', filesystem=fs)

df = p_dataset.read().to_pandas()

但是当我尝试加载单个Parquet文件时，出现错误：

fs = s3fs.S3FileSystem(mykey,mysecret)
p_dataset = pq.ParquetDataset('s3://mys3bucket/directory/1_0_00000000000000014012'
, filesystem=fs)

df = p_dataset.read().to_pandas()

抛出错误：

    ---------------------------------------------------------------------------
IndexError                                Traceback (most recent call last)
<ipython-input-179-3d01b32c60f7> in <module>()
     15 p_dataset = pq.ParquetDataset(
     16     's3://mys3bucket/directory/1_0_00000000000000014012',
---> 17                       filesystem=fs)
     18 
     19 table2.to_pandas()

C:\User\Anaconda3\lib\site-packages\pyarrow\parquet.py in __init__(self, path_or_paths, filesystem, schema, metadata, split_row_groups, validate_schema, filters, metadata_nthreads)
    880 
    881         if validate_schema:
--> 882             self.validate_schemas()
    883 
    884         if filters is not None:

C:\User\Anaconda3\lib\site-packages\pyarrow\parquet.py in validate_schemas(self)
    893                 self.schema = self.common_metadata.schema
    894             else:
--> 895                 self.schema = self.pieces[0].get_metadata(open_file).schema
    896         elif self.schema is None:
    897             self.schema = self.metadata.schema

IndexError: list index out of range

非常感谢您提供有关此错误的帮助。

理想情况下，我需要将添加到s3（自上次运行此脚本以来添加的所有新数据）的数据附加到Pandas数据帧，因此我想将文件名列表传递给ParquetDataset。有没有更好的方法来实现这一目标？谢谢

Answer 1

您要使用pq.read_table（传递文件路径或文件句柄）而不是pq.ParquetDataset（传递目录）。 HTH

Answer 2

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

安装do;

pip install awswrangler

要使用awswrangler 1.x.x及更高版本从s3中读取单个实木复合地板文件，请执行;

import awswrangler as wr
df = wr.s3.read_parquet(path="s3://my_bucket/path/to/data_folder/my-file.parquet")

要读取镶木地板文件列表，请执行；

import awswrangler as wr
df = wr.s3.read_parquet(path="s3://my_bucket/path/to/data_folder/", dataset=True)

通过设置数据集= True awswrangler将读取s3键下的所有单个实木复合地板文件。

如何使用PyArrow从s3中读取镶木地板文件的已定义列表？

2 个答案: