保存Dataframe到csv直接到s3 Python

Question

我有一个 pandas DataFrame 我想上传到一个新的 CSV 文件。 问题是我不想在将文件传输到 s3 之前将其保存在本地。 有没有像 to_csv 这样的方法可以直接将 dataframe 写入 s3？ 我正在使用 boto3。
这是我到目前为止所拥有的：

import boto3
s3 = boto3.client('s3', aws_access_key_id='key', aws_secret_access_key='secret_key')
read_file = s3.get_object(Bucket, Key)
df = pd.read_csv(read_file['Body'])

# Make alterations to DataFrame

# Then export DataFrame to CSV through direct transfer to s3

Answer 1

您可以使用：

from io import StringIO # python3; python2: BytesIO 
import boto3

bucket = 'my_bucket_name' # already created on S3
csv_buffer = StringIO()
df.to_csv(csv_buffer)
s3_resource = boto3.resource('s3')
s3_resource.Object(bucket, 'df.csv').put(Body=csv_buffer.getvalue())

Answer 2

您可以直接使用 S3 路径。 我正在使用熊猫 0.24.1

In [1]: import pandas as pd

In [2]: df = pd.DataFrame( [ [1, 1, 1], [2, 2, 2] ], columns=['a', 'b', 'c'])

In [3]: df
Out[3]:
   a  b  c
0  1  1  1
1  2  2  2

In [4]: df.to_csv('s3://experimental/playground/temp_csv/dummy.csv', index=False)

In [5]: pd.__version__
Out[5]: '0.24.1'

In [6]: new_df = pd.read_csv('s3://experimental/playground/temp_csv/dummy.csv')

In [7]: new_df
Out[7]:
   a  b  c
0  1  1  1
1  2  2  2

发行公告：

S3 文件处理

pandas 现在使用 s3fs 来处理 S3 连接。 这不应该破坏任何代码。 但是，由于 s3fs 不是必需的依赖项，因此您需要单独安装它，就像以前版本的 pandas 中的 boto 一样。 GH11915 。

Answer 3

我喜欢s3fs ，它可以让您（几乎）像使用本地文件系统一样使用 s3。

你可以这样做：

import s3fs

bytes_to_write = df.to_csv(None).encode()
fs = s3fs.S3FileSystem(key=key, secret=secret)
with fs.open('s3://bucket/path/to/file.csv', 'wb') as f:
    f.write(bytes_to_write)

s3fs只支持打开文件的rb和wb模式，这就是我做这个bytes_to_write的原因。

Answer 4

这是一个更新的答案：

import s3fs

s3 = s3fs.S3FileSystem(anon=False)

# Use 'w' for py3, 'wb' for py2
with s3.open('<bucket-name>/<filename>.csv','w') as f:
    df.to_csv(f)

StringIO 的问题在于它会吞噬你的记忆。 使用此方法，您将文件流式传输到 s3，而不是将其转换为字符串，然后将其写入 s3。 在内存中保存 pandas 数据帧及其字符串副本似乎非常低效。

如果您在 ec2 即时工作，您可以给它一个 IAM 角色以允许将其写入 s3，因此您不需要直接传递凭证。 但是，您也可以通过将凭据传递给S3FileSystem()函数来连接到存储桶。 请参阅文档： https ://s3fs.readthedocs.io/en/latest/

Answer 5

如果将None作为第一个参数传递给to_csv() ，则数据将作为字符串返回。 从那里可以轻松地将其一次性上传到 S3。

也应该可以将 StringIO 对象传递给StringIO to_csv() ，但使用字符串会更容易。

Answer 6

您还可以使用AWS Data Wrangler ：

import awswrangler as wr
    
wr.s3.to_csv(
    df=df,
    path="s3://...",
)

请注意，它将为您处理分段上传，以加快上传速度。

Answer 7

我发现这也可以使用client而不仅仅是resource来完成。

from io import StringIO
import boto3
s3 = boto3.client("s3",\
                  region_name=region_name,\
                  aws_access_key_id=aws_access_key_id,\
                  aws_secret_access_key=aws_secret_access_key)
csv_buf = StringIO()
df.to_csv(csv_buf, header=True, index=False)
csv_buf.seek(0)
s3.put_object(Bucket=bucket, Body=csv_buf.getvalue(), Key='path/test.csv')

Answer 8

我使用AWS Data Wrangler 。 例如：

import awswrangler as wr
import pandas as pd

# read a local dataframe
df = pd.read_parquet('my_local_file.gz')

# upload to S3 bucket
wr.s3.to_parquet(df=df, path='s3://mys3bucket/file_name.gz')

这同样适用于 csv 文件。 而不是read_parquet和to_parquet ，使用具有适当文件扩展名的read_csv和to_csv 。

Answer 9

由于您使用的是boto3.client() ，请尝试：

import boto3
from io import StringIO #python3 
s3 = boto3.client('s3', aws_access_key_id='key', aws_secret_access_key='secret_key')
def copy_to_s3(client, df, bucket, filepath):
    csv_buf = StringIO()
    df.to_csv(csv_buf, header=True, index=False)
    csv_buf.seek(0)
    client.put_object(Bucket=bucket, Body=csv_buf.getvalue(), Key=filepath)
    print(f'Copy {df.shape[0]} rows to S3 Bucket {bucket} at {filepath}, Done!')

copy_to_s3(client=s3, df=df_to_upload, bucket='abc', filepath='def/test.csv')

Answer 10

您可以使用

• 熊猫
• 博托3
• s3fs（版本≤0.4）

我在路径和storage_options中使用to_csv和s3://

key = "folder/file.csv"

df.to_csv(
    f"s3://{YOUR_S3_BUCKET}/{key}",
    index=False,
    storage_options={
        "key": AWS_ACCESS_KEY_ID,
        "secret": AWS_SECRET_ACCESS_KEY,
        "token": AWS_SESSION_TOKEN,
    },

Answer 11

为了有效地处理大文件，您还可以使用与 S3 兼容的开源 MinIO，以及它的minio python 客户端包，就像我的这个函数一样：

import minio
import os
import pandas as pd

minio_client = minio.Minio(..)

def write_df_to_minio(df, 
                    minio_client, 
                    bucket_name, 
                    file_name="new-file.csv",
                    local_temp_folder="/tmp/", 
                    content_type="application/csv",
                    sep=",",
                    save_row_index=False):

    df.to_csv(os.path.join(local_temp_folder, file_name), sep=sep, index=save_row_index)
    
    minio_results = minio_client.fput_object(bucket_name=bucket_name,
                                             object_name=file_name,
                                             file_path=os.path.join(local_temp_folder, file_name),
                                             content_type=content_type)

    assert minio_results.object_name == file_name

Answer 12

另一种选择是使用cloudpathlib来执行此操作，它支持 S3 以及 Google Cloud Storage 和 Azure Blob Storage。 请参见下面的示例。

import pandas as pd
from cloudpathlib import CloudPath

# read data from S3
df = pd.read_csv(CloudPath("s3://covid19-lake/rearc-covid-19-testing-data/csv/states_daily/states_daily.csv"))

# look at some of the data
df.head(1).T.iloc[:10]
#>                                       0
#> date                           20210307
#> state                                AK
#> positive                        56886.0
#> probableCases                       NaN
#> negative                            NaN
#> pending                             NaN
#> totalTestResultsSource  totalTestsViral
#> totalTestResults              1731628.0
#> hospitalizedCurrently              33.0
#> hospitalizedCumulative           1293.0

# writing to S3
with CloudPath("s3://bucket-you-can-write-to/data.csv").open("w") as f:
    df.to_csv(f)

CloudPath("s3://bucket-you-can-write-to/data.csv").exists()
#> True

请注意，由于 pandas 处理传递给它的路径/句柄的方式，您不能直接调用df.to_csv(CloudPath("s3://drivendata-public-assets/test-asdf2.csv")) 。 相反，您需要打开文件进行写入并将该句柄直接传递给to_csv 。

这在设置特定选项或不同的身份验证机制或保持持久缓存方面带来了一些额外的好处，因此您不必总是从 S3 重新下载。

Answer 13

from io import StringIO
import boto3
#Creating Session With Boto3.
session = boto3.Session(
aws_access_key_id='<your_access_key_id>',
aws_secret_access_key='<your_secret_access_key>'
)
#Creating S3 Resource From the Session.
s3_res = session.resource('s3')
csv_buffer = StringIO()
df.to_csv(csv_buffer)
bucket_name = 'stackvidhya'
s3_object_name = 'df.csv'
s3_res.Object(bucket_name, s3_object_name).put(Body=csv_buffer.getvalue())
print("Dataframe is saved as CSV in S3 bucket.")

Answer 14

对于那些使用Lambda可能遇到 S3FS 或 fsspec 问题的人：

您必须为每个库创建一个层并将它们插入您的 Lambda。

您可以在此处找到如何创建层。

Answer 15

    import boto3

    s3_client = boto3.client('s3',aws_access_key_id="AccessKey",aws_secret_access_key="Secretkey")

    head_response = s3_client.head_object(Bucket='YourBucket',Key='YourPath')

    if head_response['HTTPStatusCode'] == 200:
          Your operation if file exsits

Answer 16

我找到了一个似乎有效的非常简单的解决方案：

s3 = boto3.client("s3")

s3.put_object(
    Body=open("filename.csv").read(),
    Bucket="your-bucket",
    Key="your-key"
)

希望有帮助！

Answer 17

我从存储桶 s3 中读取了一个包含两列的 csv，以及我放入 pandas 数据框中的文件 csv 的内容。

例子：

配置文件

{
  "credential": {
    "access_key":"xxxxxx",
    "secret_key":"xxxxxx"
}
,
"s3":{
       "bucket":"mybucket",
       "key":"csv/user.csv"
   }
}

cls_config.json

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import os
import json

class cls_config(object):

    def __init__(self,filename):

        self.filename = filename


    def getConfig(self):

        fileName = os.path.join(os.path.dirname(__file__), self.filename)
        with open(fileName) as f:
        config = json.load(f)
        return config

cls_pandas.py

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import pandas as pd
import io

class cls_pandas(object):

    def __init__(self):
        pass

    def read(self,stream):

        df = pd.read_csv(io.StringIO(stream), sep = ",")
        return df

cls_s3.py

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import boto3
import json

class cls_s3(object):

    def  __init__(self,access_key,secret_key):

        self.s3 = boto3.client('s3', aws_access_key_id=access_key, aws_secret_access_key=secret_key)

    def getObject(self,bucket,key):

        read_file = self.s3.get_object(Bucket=bucket, Key=key)
        body = read_file['Body'].read().decode('utf-8')
        return body

测试.py

#!/usr/bin/env python
# -*- coding: utf-8 -*-

from cls_config import *
from cls_s3 import *
from cls_pandas import *

class test(object):

    def __init__(self):
        self.conf = cls_config('config.json')

    def process(self):

        conf = self.conf.getConfig()

        bucket = conf['s3']['bucket']
        key = conf['s3']['key']

        access_key = conf['credential']['access_key']
        secret_key = conf['credential']['secret_key']

        s3 = cls_s3(access_key,secret_key)
        ob = s3.getObject(bucket,key)

        pa = cls_pandas()
        df = pa.read(ob)

        print df

if __name__ == '__main__':
    test = test()
    test.process()