将索引格式的大.json文件读入数据帧

Question

我一直在遵循this的答案，但在与作者讨论之后，它似乎只给出了orient='records'数据格式的解决方案

这就是区别：

# 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，因为我的数据是从一个SQL数据库读取到一个数据框中的，并且需要索引字段来指定每个记录

我的json文件为2.5 GB，已从数据帧以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，而不是一个类似列表的记录集合：

{"0":{"Product":"Desktop Computer","Price":700},"1":{"Product":"Tablet","Price":250},"2":{"Product":"iPhone","Price":800},"3":{"Product":"Laptop","Price":1200}}

这意味着我不能使用任何基于line或chunck的迭代解决方案，如：

df = pd.read_json('test.json', orient='index', lines=True, chunksize=5)

根据documentation，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甚至不接受此参数，除非方向不是orient='records'。对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，尝试读取如此巨大的.json文件会返回：

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，记录格式不会丢失索引值；或者甚至可以单独存储索引列表。只是我担心这会降低以后的搜索性能

是否有任何解决方案可以严格使用.json文件而不使用其他基于数据库或大数据的技术来处理这种情况

更新#1

这里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透视表与示例中几乎相同，但有50000行和4000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

这是如何使用索引格式的json保存的：

{
    "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, ...}
}

只是我不能给出line=True参数，所以它实际上被压缩成一个大字符串，成为一行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, ...}}

Answer 1

从最简单到更复杂列出了一些解决方案：

一,。SQL

如果您可以在数据库上执行查询，那么最好的解决方案可能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数据-Pandas也可以这样做：）这里是the documentation for pd.read_sql()

二,。有必要吗？

要读取示例中给出的JSON文件，并创建与pivot表示例（JSON键作为DataFrame索引）形式类似的DataFrame，您可以尝试以下简单方法：

# read and transpose!
df = pd.read_json("test.json").T

但是，这可能无法解决内存问题

三,。拆分为多个文件

也许最快的方法是简单地将大文件剪切成较小的文件，每个文件都可以读入一个数据帧（限制任何给定时间所需的工作内存），然后pd.merge或pd.concat生成的数据帧

Linux中有一个很好的工具^{}, which could do it。我注意到您使用的是windows（如果您启用了较新的windows版本，则会提供Linux终端！）。否则，也许有一个类似的工具，但恐怕我不知道

如果你只需要做一次，然后继续你的生活，你也许可以用一些文本编辑器打开你的文件，比如Emacs或VS代码，然后将粘贴部分复制到新文件中。。。跛脚，但可能有用“\_(ツ)_/“”

4.流媒体阅读器

一个名为^{}的包将迭代加载一个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，您可以动态地为Pandas创建records格式。该解决方案还承诺了低内存消耗，是一个迭代器（也称为生成器）-您需要了解它是如何工作的。请看一下here for a nice explanation

另一个名为json-streamer的包也可以读取部分JSON内容，尽管考虑到您有一个静态文件，它可能有点过分