[英]Read large .json file with index format into Pandas dataframe
我一直在关注这个答案,但在与它的作者讨论之后,它似乎只为orient='records'
数据格式提供了一个解决方案。
这是区别:
# orient='records'
[
{"Product":"Desktop Computer","Price":700},
{"Product":"Tablet","Price":250},
{"Product":"iPhone","Price":800},
{"Product":"Laptop","Price":1200}
]
# orient='index'
{
"0":{"Product":"Desktop Computer","Price":700},
"1":{"Product":"Tablet","Price":250},
"2":{"Product":"iPhone","Price":800},
"3":{"Product":"Laptop","Price":1200}
}
我有索引格式,因为我的数据来自 SQL 数据库读入 dataframe 并且需要索引字段来指定每条记录。
我的 json 文件为 2.5 GB ,已从 dataframe 以orient='index'
格式导出。
df.to_json('test.json', orient='index')
这意味着整个文件实际上是一个巨大的字符串,而不是像记录集合这样的列表:
{"0":{"Product":"Desktop Computer","Price":700},"1":{"Product":"Tablet","Price":250},"2":{"Product":"iPhone","Price":800},"3":{"Product":"Laptop","Price":1200}}
这意味着我不能像这样使用任何基于行或块的迭代解决方案:
df = pd.read_json('test.json', orient='index', lines=True, chunksize=5)
根据文档, lines=True
只能在记录采用类似列表的格式时使用,这就是为什么pandas.DataFrame.to_json
甚至不接受这个参数,除非 orient 不是orient='records'
。 chunksize=
的限制也来自于此,它说:
"This can only be passed if lines=True. If this is None, the file will be read into memory all at once."
这正是问题的原因,试图读取如此巨大的.json 文件返回:
df = pd.read_json('test.json', orient='index')
File "C:\Users\Username\AppData\Local\Programs\Python\Python37\lib\site-
packages\pandas\io\json\_json.py", line 1100,
in _parse_no_numpy
loads(json, precise_float=self.precise_float),
MemoryError
我也在考虑将索引值添加为第一列,在这种情况下,它不会因记录格式而丢失; 或者甚至可以单独存储一个索引列表。 只是我担心它会在以后降低搜索性能。
是否有任何解决方案来严格使用.json文件而不使用其他数据库或基于大数据的技术来处理这种情况?
更新#1
这里的请求是我的数据的实际结构。 SQL 表:
Serial Date PatientID Type Gender YearWeek
0 425571118001461E 2011-06-30 20:59:30 186092 3 1.0 2011-w26
1 425571118001461E 2011-06-30 20:55:30 186092 3 1.0 2011-w26
2 425571118001461E 2013-08-28 09:29:30 186092 3 1.0 2013-w35
3 425571118001461E 2013-08-28 07:44:30 186092 3 1.0 2013-w35
4 425571118001461E 2013-08-27 20:44:30 186092 3 1.0 2013-w35
... ... ... ... ... ... ...
32290281 4183116300254921 2020-04-09 08:07:50 217553 8 2.0 2020-w15
32290282 4183116300254921 2020-04-08 10:29:50 217553 8 2.0 2020-w15
32290283 4141119420031548 2020-04-20 10:18:02 217555 12 2.0 2020-w17
32290284 4141119420043226 2020-04-20 12:33:11 217560 12 NaN 2020-w17
32290285 4141119420000825 2020-04-20 17:31:44 217568 12 1.0 2020-w17
pandas pivot 表与示例中的表几乎相同,但有 50,000 行和 4,000 列:
df = df.pivot_table(index='PatientID', values='Serial', columns='YearWeek', aggfunc=len, fill_value=0)
YearWeek 1969-w01 1969-w02 1969-w03 1969-w04 1969-w05 ... 2138-w17 2138-w18 2138-w19 2138-w20 2138-w21
PatientID
0 0 0 0 0 0 ... 0 0 0 0 0
455 1 0 3 0 0 ... 0 0 0 0 0
40036 0 0 0 0 0 ... 0 0 0 0 0
40070 0 0 0 0 0 ... 0 0 0 0 0
40082 0 0 0 0 0 ... 0 0 0 0 0
... ... ... ... ... ... ... ... ... ... ... ...
217559 0 0 0 0 0 ... 0 0 0 0 0
217560 0 0 0 0 0 ... 0 0 0 0 0
217561 0 0 0 0 0 ... 0 0 0 0 0
217563 0 0 0 0 0 ... 0 0 0 0 0
217568 0 1 0 2 0 ... 0 0 0 0 0
这就是使用格式为 json 的索引保存它的方式:
{
"0":{"1969-w01":0,"1969-w02":0,"1969-w03":0,"1969-w04":0, ...},
"455":{"1969-w01":1,"1969-w02":0,"1969-w03":3,"1969-w04":0, ...},
"40036":{"1969-w01":0,"1969-w02":0,"1969-w03":0,"1969-w04":0, ...},
...
"217568":{"1969-w01":0,"1969-w02":1,"1969-w03":0,"1969-w04":2, ...}
}
只有我不能给出line=True
arg,所以它实际上被限制在一个巨大的字符串中,使它成为一个单线 json:
{"0":{"1969-w01":0,"1969-w02":0,"1969-w03":0,"1969-w04":0, ...},"455":{"1969-w01":1,"1969-w02":0,"1969-w03":3,"1969-w04":0, ...},"40036":{"1969-w01":0,"1969-w02":0,"1969-w03":0,"1969-w04":0, ...}, ... "217568":{"1969-w01":0,"1969-w02":1,"1969-w03":0,"1969-w04":2, ...}}
一些解决方案,从最简单到涉及更多:
如果您可以在数据库上执行查询,也许最好的解决方案是尝试以更好的格式写入数据? 或者,您可以尝试直接从数据库中读取 - Pandas 也可以这样做:) 这是pd.read_sql() 的文档。
orient=...
有必要吗?要按照您给出的示例读取 JSON 文件,并创建一个与您的数据透视表示例相当的形式的 DataFrame(JSON 键为 dataframe 索引,您可以尝试以下简单方法:
# read and transpose!
df = pd.read_json("test.json").T
但是,这可能无法解决 memory 问题。
也许最快的方法是简单地将大文件切割成更小的文件,每个文件都可以读取到 Pandas Dataframe (限制工作pd.concat
pd.merge
Linux 中有一个很好的工具,叫做split
,它可以做到。 我注意到您正在使用 windows(如果您启用它,较新的 windows 版本会提供 Linux 终端。),否则可能有类似的工具。 但我不知道我害怕。
如果您只需要这样做一次然后继续您的生活,您也许可以使用 Emacs 或 VS Code 等文本编辑器打开您的文件,然后将部分复制粘贴到新文件中......蹩脚,但可能会工作¯ \_(ツ)_/¯
一个名为 ijson 的ijson
将迭代加载 JSON 文件,该文件允许您定义中断或对每个嵌套分区进行处理 - 例如,您可以创建 Z251D2BBFE9A3B95E5691CEB3DC上的records
格式。 该解决方案还承诺低 memory 消耗,作为一个迭代器(又名生成器) - 你需要了解它是如何工作的。 看看这里有一个很好的解释。
另一个名为json-streamer 的package 也可以读取部分 JSON 内容,尽管它可能有点远,因为您有一个 static 文件。
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.