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, ...}}
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:
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
相关问题 更多 >
编程相关推荐