pandas 数据帧上的 s3fs gzip 压缩

Question

我正在尝试使用 s3fs 库和 pandas 在 S3 上将数据帧写入 CSV 文件。尽管有文档，但恐怕 gzip 压缩参数不适用于 s3fs。

def DfTos3Csv (df,file):
    with fs.open(file,'wb') as f:
       df.to_csv(f, compression='gzip', index=False)

此代码将数据框保存为 S3 中的新对象，但保存为普通 CSV，而不是 gzip 格式。另一方面，读取功能使用此压缩参数工作正常。

def s3CsvToDf(file):
   with fs.open(file) as f:
      df = pd.read_csv(f, compression='gzip')
  return df

Suggestions/alternatives写问题？提前谢谢你！

Answer 1

函数 to_csv() 的压缩参数在写入流时不起作用。您必须分别进行压缩和上传。

import gzip
import boto3
from io import BytesIO, TextIOWrapper

buffer = BytesIO()

with gzip.GzipFile(mode='w', fileobj=buffer) as zipped_file:
    df.to_csv(TextIOWrapper(zipped_file, 'utf8'), index=False)

s3_resource = boto3.resource('s3')
s3_object = s3_resource.Object('bucket_name', 'key')
s3_object.put(Body=buffer.getvalue())

Answer 2

pandas (v1.2.4) 可以直接将 csv 写入 S3，压缩功能正常工作。旧版 pandas 可能存在压缩问题。例如

your_pandas_dataframe.to_csv('s3://your_bucket_name/your_s3_key.csv.gz',compression="gzip", index=False)

pandas 数据帧上的 s3fs gzip 压缩

s3fs gzip compression on pandas dataframe

python

amazon-s3

python-s3fs