[英]How to efficiently read rows from Google BigTable into a pandas DataFrame
用例:
我正在使用 Google BigTable 来存储这样的计数:
| rowkey | columnfamily |
| | col1 | col2 | col3 |
|----------|------|------|------|
| row1 | 1 | 2 | 3 |
| row2 | 2 | 4 | 8 |
| row3 | 3 | 3 | 3 |
我想读取给定范围的行键的所有行(在这种情况下我们假设全部)并聚合每列的值。
天真的实现会查询行并在聚合计数时迭代行,如下所示:
from google.cloud.bigtable import Client
instance = Client(project='project').instance('my-instance')
table = instance.table('mytable')
col1_sum = 0
col2_sum = 0
col3_max = 0
table.read_rows()
row_data.consume_all()
for row in row_data.rows:
col1_sum += int.from_bytes(row['columnfamily']['col1'.encode('utf-8')][0].value(), byteorder='big')
col2_sum += int.from_bytes(row['columnfamily']['col2'.encode('utf-8')][0].value(), byteorder='big')
col3_value = int.from_bytes(row['columnfamily']['col3'.encode('utf-8')][0].value(), byteorder='big')
col3_max = col3_value if col3_value > col3_max else col3_max
问题:
有没有办法有效地加载 pandas DataFrame 中的结果行并利用 pandas 性能进行聚合?
我想避免使用 for 循环来计算聚合,因为众所周知它效率很低。
我知道Apache Arrow 项目及其python 绑定,虽然 HBase 被提及为支持项目(Google BigTable 被宣传为与 HBase 非常相似),但我似乎无法找到将其用于用例的方法我在这里描述。
在深入探讨BigTable机制之后,当您调用table.read_rows()
时,似乎python客户端会执行gRPC ReadRows
调用。 该gRPC调用通过HTTP / 2 以键顺序返回行的流响应(请参阅docs )。
如果API每行返回数据,在我看来,消耗该响应的唯一有用方法是基于行。 试图以列格式加载数据似乎没有什么用处,从而避免了循环遍历行。
我认为Cloud Bigtable没有现有的pandas界面,但这将是一个不错的项目,类似于https://github.com/pydata/pandas-gbq中的BigQuery界面。
您也许可以将pdhbase与google-cloud-happybase一起使用 。 如果无法立即使用,您也许可以从如何执行集成中获得启发。
还有Cloud Bigtable / BigQuery集成 ,您可以将其与https://github.com/pydata/pandas-gbq集成(感谢Wes McKinney的技巧)。
您可以遍历 BigTable 行并将其存储在字典中以将其合并到 dataframe。下面是获取单行的示例。
import pandas as pd
from google.cloud import bigtable
client = bigtable.Client(project=project_id, admin=True)
instance = client.instance(instance_id)
table = instance.table(table_id)
row_key = "1234"
row = table.read_row(row_key)
dct={}
print("Reading data for {}:".format(row.row_key.decode("utf-8")))
for cf, cols in sorted(row.cells.items()):
print("Column Family {}".format(cf))
for col, cells in sorted(cols.items()):
for cell in cells:
labels = (
" [{}]".format(",".join(cell.labels)) if len(cell.labels) else ""
)
dct[col.decode("utf-8")] = cell.value.decode("utf-8")
pd.DataFrame([dct])
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.