在Python中利用Into包整洁地进行数据迁移的教程
动机
我们花费大量的时间将数据从普通的交换格式（比如CSV），迁移到像数组、数据库或者二进制存储等高效的计算格式。更糟糕的是，许多人没有将数据迁移到高效的格式，因为他们不知道怎么（或者不能）为他们的工具管理特定的迁移方法。
你所选择的数据格式很重要，它会强烈地影响程序性能（经验规律表明会有10倍的差距），以及那些轻易使用和理解你数据的人。
当提倡Blaze项目时，我经常说：“Blaze能帮助你查询各种格式的数据。”这实际上是假设你能够将数据转换成指定的格式。
进入into项目
into函数能在各种数据格式之间高效的迁移数据。这里的数据格式既包括内存中的数据结构，比如：
列表、集合、元组、迭代器、numpy中的ndarray、pandas中的DataFrame、dynd中的array，以及上述各类的流式序列。
也包括存在于Python程序之外的持久化数据，比如：
CSV、JSON、行定界的JSON，以及以上各类的远程版本
HDF5 (标准格式与Pandas格式皆可)、 BColz、 SAS、 SQL 数据库 ( SQLAlchemy支持的皆可)、 Mongo
into项目能在上述数据格式的任意两个格式之间高效的迁移数据，其原理是利用一个成对转换的网络（该文章底部有直观的解释）。
如何使用它
into函数有两个参数：source和target。它将数据从source转换成target。source和target能够使用如下的格式：
Target Source Example
Object Object A particular DataFrame or list
String String ‘file.csv', ‘postgresql://hostname::tablename'
Type Like list or pd.DataFrame
所以，下边是对into函数的合法调用：
>>> into(list, df) # create new list from Pandas DataFrame
>>> into([], df) # append onto existing list
>>> into('myfile.json', df) # Dump dataframe to line-delimited JSON
>>> into(Iterator, 'myfiles.*.csv') # Stream through many CSV files
>>> into('postgresql://hostname::tablename', df) # Migrate dataframe to Postgres
>>> into('postgresql://hostname::tablename', 'myfile.*.csv') # Load CSVs to Postgres
>>> into('myfile.json', 'postgresql://hostname::tablename') # Dump Postgres to JSON
>>> into(pd.DataFrame, 'mongodb://hostname/db::collection') # Dump Mongo to DataFrame
Note that into is a single function. We're used to doing this with various to_csv, from_sql methods on various types. The into api is very small; Here is what you need in order to get started:
注意，into函数是一个单一的函数。虽然我们习惯于在各种类型上使用to_csv, from_sql等方法来完成这样的功能，但接口into非常简单。开始使用into函数前，你需要：
$ pip install into >>> from into import into
在Github上查看into工程。
实例
现在我们展示一些更深层次的相同的实例。
将Python中的list类型转换成numpy中的array类型
>>> import numpy as np >>> into(np.ndarray, [1, 2, 3]) array([1, 2, 3])
加载CSV文件，并转换成Python中的list类型
>>> into(list, 'accounts.csv') [(1, 'Alice', 100), (2, 'Bob', 200), (3, 'Charlie', 300), (4, 'Denis', 400), (5, 'Edith', 500)]
将CSV文件转换成JSON格式
>>> into('accounts.json', 'accounts.csv')
$ head accounts.json
{"balance": 100, "id": 1, "name": "Alice"}
{"balance": 200, "id": 2, "name": "Bob"}
{"balance": 300, "id": 3, "name": "Charlie"}
{"balance": 400, "id": 4, "name": "Denis"}
{"balance": 500, "id": 5, "name": "Edith"}
将行定界的JSON格式转换成Pandas中的DataFrame格式
>>> import pandas as pd >>> into(pd.DataFrame, 'accounts.json') balance id name 0 100 1 Alice 1 200 2 Bob 2 300 3 Charlie 3 400 4 Denis 4 500 5 Edith
它是如何工作的？
格式转换是有挑战性的。任意两个数据格式之间的健壮、高效的格式转换，都充满了特殊情况和奇怪的库。常见的解决方案是通过一个通用格式，例如DataFrame或流内存列表、字典等，进行格式转换。（见dat）或者通过序列化格式，例如ProtoBuf或Thrift，进行格式转换。这些都是很好的选择，往往也是你想要的。然而有时候这样的转换是比较慢的，特别是当你在实时计算系统上转换，或面对苛刻的存储解决方案时。
考虑一个例子，在numpy.recarray和pandas.DataFrame之间进行数据迁移。我们可以非常快速地，适当地迁移这些数据。数据的字节不需要更改，只更改其周围的元数据即可。我们不需要将数据序列化到一个交换格式，或转换为中间的纯Python对象。
考虑从CSV文件迁移数据到一个PostgreSQL数据库。通过SQLAlchemy（注：一个Python环境下的数据库工具箱）使用Python迭代器，我们的迁移速度不太可能超过每秒2000条记录。然而使用PostgreSQL自带的CSV加载器，我们的迁移速度可以超过每秒50000条记录。花费一整晚的时间和花费一杯咖啡的时间进行数据迁移，是有很大区别的。然而这需要我们在特殊情况下，能足够灵活的使用特殊代码。
专门的两两互换工具往往比通用解决方案快一个数量级。
Into项目是那些成对地数据迁移组成的一个网络。我们利用下图展示这个网络：
每个节点是一种数据格式。每个定向的边是一个在两种数据格式之间转换数据的函数。into函数的一个调用，可能会遍历多个边和多个中间格式。例如，当我们将CSV文件迁移到Mongo数据库时，我们可以采取以下路径：
?将CSV文件加载到DataFrame中（利用pandas.read_csv）
?然后转换为np.recarray（利用DataFrame.to_records）
?接着转换为一个Python的迭代器类型（利用np.ndarray.tolist）
?最终转换成Mongo中的数据（利用pymongo.Collection.insert）
或者我们可以使用MongoDB自带的CSV加载器，编写一个特殊函数，用一个从CSV到Mongo的定向边缩短整个处理过程。
为了找到最有效的路线，我们利用相对成本（引入权重的ad-hoc）给这个网络的所有边赋予权重值。然后我们使用networkx找到最短路径，进而进行数据迁移。如果某个边由于某种原因失败了（引发NotImplementedError），我们可以自动重新寻找路径。这样我们的迁移方法是既高效又健壮的。
注意，我们给某些节点涂上红色。这些节点的数据量可以大于内存。当我们在两个红色节点之间进行数据迁移时（输入和输出的数据量都可能大于内存），我们限制我们的路径始终在红色子图中，以确保迁移路径中间的数据不会溢出。需要注意的一种格式是chunks(…)，例如chunks(DataFrame)是一个可迭代的，在内存中的DataFrames。这个方便的元格式允许我们在大数据上使用紧凑的数据结构，例如numpy的arrays和pandas的DataFrames，同时保持在内存中数据的只有几十兆字节。
这种网络化的方法允许开发者对于特殊情况编写专门的代码，同时确信这段代码只在正确的情况下使用。这种方法允许我们利用一个独立的、可分离的方式处理一个非常复杂的问题。中央调度系统让我们保持头脑清醒。
历史
很久以前，我写过into链接到Blaze的文章，然后我立即就沉默了。这是因为旧的实现方法（网络方法之前）很难扩展或维护，也没有准备好进入其黄金期。
我很满意这个网络。意想不到的应用程序经常能够正常运行，into工程现在也准备好进入其黄金期了。Into工程可以通过conda和pip得到，而独立于Blaze。它主要的依赖为NumPy、Pandas和NetworkX，所以对于阅读我博客的大部分人来说，它算是相对轻量级的。如果你想利用一些性能更好的格式，例如HDF5，你将同样需要安装这些库（pro-tip，使用conda安装）。
如何开始使用into函数
你应该下载一个最近版本的into工程。
$ pip install --upgrade git+https://github.com/ContinuumIO/into or $ conda install into --channel blaze
然后你可能想要通过该教程的上半部分，或者阅读该文档。
又或者不阅读任何东西，只是试一试。我的希望是，这个接口很简单（只有一个函数！），用户可以自然地使用它。如果你运行中出现了问题，那么我很愿意在blaze-dev@continuum.io中听到它们。
热AI工具
Undresser.AI Undress
人工智能驱动的应用程序，用于创建逼真的裸体照片
AI Clothes Remover
用于从照片中去除衣服的在线人工智能工具。
Undress AI Tool
免费脱衣服图片
Clothoff.io
AI脱衣机
AI Hentai Generator
免费生成ai无尽的。
热门文章
热工具
记事本++7.3.1
好用且免费的代码编辑器
SublimeText3汉化版
中文版，非常好用
禅工作室 13.0.1
功能强大的PHP集成开发环境
Dreamweaver CS6
视觉化网页开发工具
SublimeText3 Mac版
神级代码编辑软件(SublimeText3)
热门话题
PS一直显示正在载入是什么原因？
Apr 06, 2025 pm 06:39 PM
PS“正在载入”问题是由资源访问或处理问题引起的：硬盘读取速度慢或有坏道：使用CrystalDiskInfo检查硬盘健康状况并更换有问题的硬盘。内存不足：升级内存以满足PS对高分辨率图片和复杂图层处理的需求。显卡驱动程序过时或损坏：更新驱动程序以优化PS和显卡之间的通信。文件路径过长或文件名有特殊字符：使用简短的路径和避免使用特殊字符。PS自身问题：重新安装或修复PS安装程序。
PS启动时一直显示正在载入如何解决？
Apr 06, 2025 pm 06:36 PM
PS启动时卡在“正在载入”可能是由于各种原因造成的：禁用损坏或冲突的插件。删除或重命名损坏的配置文件。关闭不必要的程序或升级内存，避免内存不足。升级到固态硬盘，加快硬盘读取速度。重装PS修复损坏的系统文件或安装包问题。查看错误日志分析启动过程中的错误信息。
mysql安装后怎么使用
Apr 08, 2025 am 11:48 AM
文章介绍了MySQL数据库的上手操作。首先，需安装MySQL客户端，如MySQLWorkbench或命令行客户端。1.使用mysql-uroot-p命令连接服务器，并使用root账户密码登录；2.使用CREATEDATABASE创建数据库，USE选择数据库；3.使用CREATETABLE创建表，定义字段及数据类型；4.使用INSERTINTO插入数据，SELECT查询数据，UPDATE更新数据，DELETE删除数据。熟练掌握这些步骤，并学习处理常见问题和优化数据库性能，才能高效使用MySQL。
PS羽化如何控制过渡的柔和度？
Apr 06, 2025 pm 07:33 PM
羽化控制的关键在于理解其渐变本质。PS本身不提供直接控制渐变曲线的选项，但你可以通过多次羽化、配合蒙版、精细选区，灵活调整半径和渐变柔和度，实现自然过渡效果。
mysql安装后怎么优化数据库性能
Apr 08, 2025 am 11:36 AM
MySQL性能优化需从安装配置、索引及查询优化、监控与调优三个方面入手。1.安装后需根据服务器配置调整my.cnf文件，例如innodb_buffer_pool_size参数，并关闭query_cache_size；2.创建合适的索引，避免索引过多，并优化查询语句，例如使用EXPLAIN命令分析执行计划；3.利用MySQL自带监控工具(SHOWPROCESSLIST,SHOWSTATUS)监控数据库运行状况，定期备份和整理数据库。通过这些步骤，持续优化，才能提升MySQL数据库性能。
PS卡在载入界面怎么办？
Apr 06, 2025 pm 06:54 PM
PS卡在载入界面可能是由软件自身（文件损坏或插件冲突）、系统环境（驱动过时或系统文件损坏）或硬件（硬盘损坏或内存条故障）问题造成的。首先检查计算机资源是否充足，关闭后台程序释放内存和CPU资源。修复PS安装或检查插件是否存在兼容性问题。更新或回退PS版本。检查显卡驱动并更新，运行系统文件检查。若排除上述问题，则可以尝试硬盘检测和内存测试。
mysql 是否要付费
Apr 08, 2025 pm 05:36 PM
MySQL 有免费的社区版和收费的企业版。社区版可免费使用和修改，但支持有限，适合稳定性要求不高、技术能力强的应用。企业版提供全面商业支持，适合需要稳定可靠、高性能数据库且愿意为支持买单的应用。选择版本时考虑的因素包括应用关键性、预算和技术技能。没有完美的选项，只有最合适的方案，需根据具体情况谨慎选择。
PS羽化怎么设置？
Apr 06, 2025 pm 07:36 PM
PS羽化是一种图像边缘模糊效果，通过在边缘区域对像素加权平均实现。设置羽化半径可以控制模糊程度，数值越大越模糊。灵活调整半径可根据图像和需求优化效果，如处理人物照片时使用较小半径保持细节，处理艺术作品时使用较大半径营造朦胧感。但需注意，半径过大易丢失边缘细节，过小则效果不明显。羽化效果受图像分辨率影响，且需要根据图像理解和效果把握进行调整。
