Mongodb'dan pandalara veri nasıl aktarılır?

Mongodb'deki bir koleksiyonda analiz etmem gereken büyük miktarda veriye sahibim. Bu verileri pandalara nasıl aktarırım?

Pandalar ve uyuşuklukta yeniyim.

DÜZENLEME: Mongodb koleksiyonu, tarih ve saat ile etiketlenmiş sensör değerlerini içerir. Sensör değerleri şamandıra veri türündedir.

Örnek veri:

{
"_cls" : "SensorReport",
"_id" : ObjectId("515a963b78f6a035d9fa531b"),
"_types" : [
    "SensorReport"
],
"Readings" : [
    {
        "a" : 0.958069536790466,
        "_types" : [
            "Reading"
        ],
        "ReadingUpdatedDate" : ISODate("2013-04-02T08:26:35.297Z"),
        "b" : 6.296118156595,
        "_cls" : "Reading"
    },
    {
        "a" : 0.95574014778624,
        "_types" : [
            "Reading"
        ],
        "ReadingUpdatedDate" : ISODate("2013-04-02T08:27:09.963Z"),
        "b" : 6.29651468650064,
        "_cls" : "Reading"
    },
    {
        "a" : 0.953648289182713,
        "_types" : [
            "Reading"
        ],
        "ReadingUpdatedDate" : ISODate("2013-04-02T08:27:37.545Z"),
        "b" : 7.29679823731148,
        "_cls" : "Reading"
    },
    {
        "a" : 0.955931884300997,
        "_types" : [
            "Reading"
        ],
        "ReadingUpdatedDate" : ISODate("2013-04-02T08:28:21.369Z"),
        "b" : 6.29642922525632,
        "_cls" : "Reading"
    },
    {
        "a" : 0.95821381,
        "_types" : [
            "Reading"
        ],
        "ReadingUpdatedDate" : ISODate("2013-04-02T08:41:20.801Z"),
        "b" : 7.28956613,
        "_cls" : "Reading"
    },
    {
        "a" : 4.95821335,
        "_types" : [
            "Reading"
        ],
        "ReadingUpdatedDate" : ISODate("2013-04-02T08:41:36.931Z"),
        "b" : 6.28956574,
        "_cls" : "Reading"
    },
    {
        "a" : 9.95821341,
        "_types" : [
            "Reading"
        ],
        "ReadingUpdatedDate" : ISODate("2013-04-02T08:42:09.971Z"),
        "b" : 0.28956488,
        "_cls" : "Reading"
    },
    {
        "a" : 1.95667927,
        "_types" : [
            "Reading"
        ],
        "ReadingUpdatedDate" : ISODate("2013-04-02T08:43:55.463Z"),
        "b" : 0.29115237,
        "_cls" : "Reading"
    }
],
"latestReportTime" : ISODate("2013-04-02T08:43:55.463Z"),
"sensorName" : "56847890-0",
"reportCount" : 8
}

pymongo size yardımcı olabilir, kullandığım bazı kodlar şunlardır:

import pandas as pd
from pymongo import MongoClient


def _connect_mongo(host, port, username, password, db):
    """ A util for making a connection to mongo """

    if username and password:
        mongo_uri = 'mongodb://%s:%s@%s:%s/%s' % (username, password, host, port, db)
        conn = MongoClient(mongo_uri)
    else:
        conn = MongoClient(host, port)


    return conn[db]


def read_mongo(db, collection, query={}, host='localhost', port=27017, username=None, password=None, no_id=True):
    """ Read from Mongo and Store into DataFrame """

    # Connect to MongoDB
    db = _connect_mongo(host=host, port=port, username=username, password=password, db=db)

    # Make a query to the specific DB and Collection
    cursor = db[collection].find(query)

    # Expand the cursor and construct the DataFrame
    df =  pd.DataFrame(list(cursor))

    # Delete the _id
    if no_id:
        del df['_id']

    return df

Bu kodu kullanarak mongodb verilerinizi pandalar DataFrame'e yükleyebilirsiniz. Benim için çalışıyor. Umarım senin için de.

import pymongo
import pandas as pd
from pymongo import MongoClient
client = MongoClient()
db = client.database_name
collection = db.collection_name
data = pd.DataFrame(list(collection.find()))

Monarytam olarak bunu yapıyor ve süper hızlı . ( başka bir bağlantı )

Bkz bu serin yazı hızlı bir eğitim ve bazı zamanlamaları içerir.

PEP'e göre basit, karmaşık olmaktan daha iyidir:

import pandas as pd
df = pd.DataFrame.from_records(db.<database_name>.<collection_name>.find())

Normal mongoDB veritabanıyla çalışırken yaptığınız gibi koşulları dahil edebilir veya hatta veritabanından yalnızca bir öğe almak için find_one () kullanabilirsiniz.

ve voila!

import pandas as pd
from odo import odo

data = odo('mongodb://localhost/db::collection', pd.DataFrame)

Çekirdek dışı (RAM'e uymayan) verilerle verimli bir şekilde (yani paralel yürütmeyle) başa çıkmak için Python Blaze ekosistemini deneyebilirsiniz : Blaze / Dask / Odo.

Blaze (ve Odo ), MongoDB ile başa çıkmak için kullanıma hazır işlevlere sahiptir.

Başlamak için birkaç yararlı makale:

• Blaze Expessions'a Giriş (MongoDB sorgu örneğiyle)
• ReproduceIt: Reddit kelime sayısı
• Dask Dizileri ve Blaze Arasındaki Fark

Ve Blaze yığınıyla ne gibi harika şeylerin mümkün olduğunu gösteren bir makale: Blaze ve Impala ile 1.7 Milyar Reddit Yorumunu Analiz Etmek (esasen 975 Gb of Reddit yorumunu saniyeler içinde sorgulamak).

Not: Bu teknolojilerden hiçbirine bağlı değilim.

Çok yararlı bulduğum bir başka seçenek ise:

from pandas.io.json import json_normalize

cursor = my_collection.find()
df = json_normalize(cursor)

Bu şekilde iç içe geçmiş mongodb belgelerinin açılımını ücretsiz olarak elde edersiniz.

Kullanma

pandas.DataFrame(list(...))

yineleyici / oluşturucu sonucu büyükse çok fazla bellek tüketir

sonunda küçük parçalar ve concat oluşturmak daha iyidir

def iterator2dataframes(iterator, chunk_size: int):
  """Turn an iterator into multiple small pandas.DataFrame

  This is a balance between memory and efficiency
  """
  records = []
  frames = []
  for i, record in enumerate(iterator):
    records.append(record)
    if i % chunk_size == chunk_size - 1:
      frames.append(pd.DataFrame(records))
      records = []
  if records:
    frames.append(pd.DataFrame(records))
  return pd.concat(frames)

http://docs.mongodb.org/manual/reference/mongoexport

csv'ye aktar ve kullan read_csv veya JSON ve kullanDataFrame.from_records()

Waitkuo ile verilen bu harika cevabın ardından , bunu .read_sql () ve .read_csv () doğrultusunda chunksize kullanarak yapma olasılığını eklemek istiyorum . Deu Leung'dan gelen yanıtı , "yineleyici" / "imleç" in her bir "kaydını" tek tek gitmekten kaçınarak genişletiyorum . Önceki read_mongo işlevini ödünç alacağım .

def read_mongo(db, 
           collection, query={}, 
           host='localhost', port=27017, 
           username=None, password=None,
           chunksize = 100, no_id=True):
""" Read from Mongo and Store into DataFrame """


# Connect to MongoDB
#db = _connect_mongo(host=host, port=port, username=username, password=password, db=db)
client = MongoClient(host=host, port=port)
# Make a query to the specific DB and Collection
db_aux = client[db]


# Some variables to create the chunks
skips_variable = range(0, db_aux[collection].find(query).count(), int(chunksize))
if len(skips_variable)<=1:
    skips_variable = [0,len(skips_variable)]

# Iteration to create the dataframe in chunks.
for i in range(1,len(skips_variable)):

    # Expand the cursor and construct the DataFrame
    #df_aux =pd.DataFrame(list(cursor_aux[skips_variable[i-1]:skips_variable[i]]))
    df_aux =pd.DataFrame(list(db_aux[collection].find(query)[skips_variable[i-1]:skips_variable[i]]))

    if no_id:
        del df_aux['_id']

    # Concatenate the chunks into a unique df
    if 'df' not in locals():
        df =  df_aux
    else:
        df = pd.concat([df, df_aux], ignore_index=True)

return df

Kullanarak Rafael Valero, waitingkuo ve Deu Leung gibi benzer bir yaklaşım pagination :

def read_mongo(
       # db, 
       collection, query=None, 
       # host='localhost', port=27017, username=None, password=None,
       chunksize = 100, page_num=1, no_id=True):

    # Connect to MongoDB
    db = _connect_mongo(host=host, port=port, username=username, password=password, db=db)

    # Calculate number of documents to skip
    skips = chunksize * (page_num - 1)

    # Sorry, this is in spanish
    # https://www.toptal.com/python/c%C3%B3digo-buggy-python-los-10-errores-m%C3%A1s-comunes-que-cometen-los-desarrolladores-python/es
    if not query:
        query = {}

    # Make a query to the specific DB and Collection
    cursor = db[collection].find(query).skip(skips).limit(chunksize)

    # Expand the cursor and construct the DataFrame
    df =  pd.DataFrame(list(cursor))

    # Delete the _id
    if no_id:
        del df['_id']

    return df

Pdmongo ile üç satırda istediğinizi elde edebilirsiniz :

import pdmongo as pdm
import pandas as pd
df = pdm.read_mongo("MyCollection", [], "mongodb://localhost:27017/mydb")

Verileriniz çok büyükse, önce istemediğiniz verileri filtreleyerek toplu bir sorgu yapabilir, ardından bunları istediğiniz sütunlarla eşleştirebilirsiniz.

Readings.aSütuna eşleme ve sütuna göre afiltreleme için bir örnek reportCount:

import pdmongo as pdm
import pandas as pd
df = pdm.read_mongo("MyCollection", [{'$match': {'reportCount': {'$gt': 6}}}, {'$unwind': '$Readings'}, {'$project': {'a': '$Readings.a'}}], "mongodb://localhost:27017/mydb")

read_mongopymongo aggregate ile aynı argümanları kabul eder