Question

我使用 pyarrow.parquet 读取了一个 parquet 文件，该文件是 spark mllib 的输出。输出由一些行组成，每行有两对：一个单词和一个向量（每行是一个 word2vec 对）。类似于以下内容：

 word1 "[-0.10812066  0.04352815 0.00529436 -0.0492562 -0.0974493533  0.275364409  -0.06501597  -0.3123745185 0.28186324 -0.05055101 0.06338456   -0.0842542  -0.10491376 -0.09692618 0.02451115  0.10766134]"  
 word2 "[-0.10812066  0.04352815 0.1875908 -0.0492562 ...
 ...

当我使用 DataFrame 将结果写入 csv 文件时，我得到了：

 word1 "[-0.10812066  0.04352815 0.00529436 -0.0492562
    -0.0974493533  0.275364409  -0.06501597  -0.3123745185
    0.28186324 -0.05055101 0.06338456   -0.0842542   
    -0.10491376 -0.09692618 0.02451115  0.10766134]"  
 word2 "[-0.10812066  0.04352815 0.1875908 -0.0492562 ...
 ...

如您所见，

在特殊位置的每个向量都分成几行。从 parquet 文件中读取的内容如何获取 csv 输出？我的源代码在这里：

import pandas as pd
import pyarrow.parquet as pq

data = pq.read_pandas('C://Users//...//p.parquet', columns=['word', 'vector']).to_pandas()

df = pd.DataFrame(data)

pd.DataFrame.to_csv(df, 'C://Users/...//p.csv', sep=" ", encoding='utf-8', columns=['word', 'vector'], index=False, header=False)

DataFrame的大小为： 47524 ，DataFrame的形状为：（23762，2）

Answer 1

经过大量搜索，我没有找到直接解决问题的方法。但是我使用python中的列表解决了我的问题。

data = pq.read_pandas('C://...//p.parquet', columns['word','vector']).to_pandas()
df = pd.DataFrame(data)

vector = df['vector'].tolist()
word = df['word'].tolist()

k = [[]]
for i in range(0, word.__len__()):
    l = []
    l.append(word[i])
    l.extend(vector[i])
    k.append(l)

with open('C://...//f.csv', "w", encoding="utf-8") as f:
    writer = csv.writer(f)
    for row in k:
        writer.writerow(row)

因此，输出显示的形状与预期相同。

使用pandas.DataFrame将镶木地板文件写入CSV文件时，如何防止表格格式？

1 个答案: