将Pandas DataFrame写入Google Cloud Storage或BigQuery

Question

您好，感谢您的时间和考虑。我正在Google Cloud Platform / Datalab中开发一个Jupyter笔记本。我创建了一个Pandas DataFrame，并希望将此DataFrame写入Google云端存储（GCS）和/或BigQuery。我在GCS中有一个存储桶，并通过以下代码创建了以下对象：

import gcp
import gcp.storage as storage
project = gcp.Context.default().project_id    
bucket_name = 'steve-temp'           
bucket_path  = bucket_name   
bucket = storage.Bucket(bucket_path)
bucket.exists()  

我尝试过基于Google Datalab文档的各种方法，但仍然失败。谢谢

Answer 1

尝试以下工作示例：

from datalab.context import Context
import google.datalab.storage as storage
import google.datalab.bigquery as bq
import pandas as pd

# Dataframe to write
simple_dataframe = pd.DataFrame(data=[{1,2,3},{4,5,6}],columns=['a','b','c'])

sample_bucket_name = Context.default().project_id + '-datalab-example'
sample_bucket_path = 'gs://' + sample_bucket_name
sample_bucket_object = sample_bucket_path + '/Hello.txt'
bigquery_dataset_name = 'TestDataSet'
bigquery_table_name = 'TestTable'

# Define storage bucket
sample_bucket = storage.Bucket(sample_bucket_name)

# Create storage bucket if it does not exist
if not sample_bucket.exists():
    sample_bucket.create()

# Define BigQuery dataset and table
dataset = bq.Dataset(bigquery_dataset_name)
table = bq.Table(bigquery_dataset_name + '.' + bigquery_table_name)

# Create BigQuery dataset
if not dataset.exists():
    dataset.create()

# Create or overwrite the existing table if it exists
table_schema = bq.Schema.from_data(simple_dataframe)
table.create(schema = table_schema, overwrite = True)

# Write the DataFrame to GCS (Google Cloud Storage)
%storage write --variable simple_dataframe --object $sample_bucket_object

# Write the DataFrame to a BigQuery table
table.insert(simple_dataframe)

我使用了this示例，以及来自_table.py的datalab github site文件作为参考。您可以在datalab链接中找到其他this源代码文件。

Answer 2

使用谷歌Cloud Datalab documentation

import datalab.storage as gcs
gcs.Bucket('bucket-name').item('to/data.csv').write_to(simple_dataframe.to_csv(),'text/csv')

Answer 3

将Pandas DataFrame写入BigQuery

更新@Anthonios Partheniou的回答。 代码现在有点不同 - 截至2017年11月29日

To define a BigQuery dataset

将包含project_id和dataset_id的元组传递给bq.Dataset。

# define a BigQuery dataset    
bigquery_dataset_name = ('project_id', 'dataset_id')
dataset = bq.Dataset(name = bigquery_dataset_name)

To define a BigQuery table

将包含project_id，dataset_id和表名的元组传递给bq.Table。

# define a BigQuery table    
bigquery_table_name = ('project_id', 'dataset_id', 'table_name')
table = bq.Table(bigquery_table_name)

Create the dataset/ table and write to table in BQ

# Create BigQuery dataset
if not dataset.exists():
    dataset.create()

# Create or overwrite the existing table if it exists
table_schema = bq.Schema.from_data(dataFrame_name)
table.create(schema = table_schema, overwrite = True)

# Write the DataFrame to a BigQuery table
table.insert(dataFrame_name)

Answer 4

对于使用Dask的任务，我有一个更简单的解决方案。您可以将DataFrame转换为Dask DataFrame，可以将其写入云存储上的csv

import dask.dataframe as dd
import pandas
df # your Pandas DataFrame
ddf = dd.from_pandas(df,npartitions=1, sort=True)
dd.to_csv('gs://YOUR_BUCKET/ddf-*.csv', index=False, sep=',', header=False,  
                               storage_options={'token': gcs.session.credentials})  

Answer 5

自2017年以来，Pandas拥有一个Dataframe to BigQuery功能pandas.DataFrame.to_gbq

documentation有一个例子：

import pandas_gbq as gbq
 gbq.to_gbq(df, 'my_dataset.my_table', projectid, if_exists='fail')

参数if_exists可以设置为'fail'，'replace'或'append'

另见example。

Answer 6

我认为你需要将它加载到一个普通的字节变量中，并在一个单独的单元格中使用%%存储写 - 变量$ sample_bucketpath（参见doc）......我还在想出来......但这大致是我需要做的就是读取CSV文件，我不知道它是否会对写入产生影响，但我不得不使用BytesIO来读取%% storage read命令创建的缓冲区...希望它帮助，让我知道！