動(dòng)機(jī)

我們花費(fèi)大量的時(shí)間將數(shù)據(jù)從普通的交換格式（比如CSV），遷移到像數(shù)組、數(shù)據(jù)庫(kù)或者二進(jìn)制存儲(chǔ)等高效的計(jì)算格式。更糟糕的是，許多人沒有將數(shù)據(jù)遷移到高效的格式，因?yàn)樗麄儾恢涝趺矗ɑ蛘卟荒埽樗麄兊墓ぞ吖芾硖囟ǖ倪w移方法。

你所選擇的數(shù)據(jù)格式很重要，它會(huì)強(qiáng)烈地影響程序性能（經(jīng)驗(yàn)規(guī)律表明會(huì)有10倍的差距），以及那些輕易使用和理解你數(shù)據(jù)的人。

當(dāng)提倡Blaze項(xiàng)目時(shí)，我經(jīng)常說：“Blaze能幫助你查詢各種格式的數(shù)據(jù)?！边@實(shí)際上是假設(shè)你能夠?qū)?shù)據(jù)轉(zhuǎn)換成指定的格式。

進(jìn)入into項(xiàng)目

into函數(shù)能在各種數(shù)據(jù)格式之間高效的遷移數(shù)據(jù)。這里的數(shù)據(jù)格式既包括內(nèi)存中的數(shù)據(jù)結(jié)構(gòu)，比如：

列表、集合、元組、迭代器、numpy中的ndarray、pandas中的DataFrame、dynd中的array，以及上述各類的流式序列。

也包括存在于Python程序之外的持久化數(shù)據(jù)，比如：

CSV、JSON、行定界的JSON，以及以上各類的遠(yuǎn)程版本

HDF5 (標(biāo)準(zhǔn)格式與Pandas格式皆可)、 BColz、 SAS、 SQL 數(shù)據(jù)庫(kù) ( SQLAlchemy支持的皆可)、 Mongo

into項(xiàng)目能在上述數(shù)據(jù)格式的任意兩個(gè)格式之間高效的遷移數(shù)據(jù)，其原理是利用一個(gè)成對(duì)轉(zhuǎn)換的網(wǎng)絡(luò)（該文章底部有直觀的解釋）。

如何使用它

into函數(shù)有兩個(gè)參數(shù)：source和target。它將數(shù)據(jù)從source轉(zhuǎn)換成target。source和target能夠使用如下的格式：

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，下邊是對(duì)into函數(shù)的合法調(diào)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函數(shù)是一個(gè)單一的函數(shù)。雖然我們習(xí)慣于在各種類型上使用to_csv, from_sql等方法來完成這樣的功能，但接口into非常簡(jiǎn)單。開始使用into函數(shù)前，你需要：
 

$ pip install into
 
>>> from into import into

在Github上查看into工程。

實(shí)例

現(xiàn)在我們展示一些更深層次的相同的實(shí)例。

將Python中的list類型轉(zhuǎn)換成numpy中的array類型
 

>>> import numpy as np
 
>>> into(np.ndarray, [1, 2, 3])
 
array([1, 2, 3])

加載CSV文件，并轉(zhuǎn)換成Python中的list類型
 

>>> into(list, 'accounts.csv')
 
[(1, 'Alice', 100),
 
(2, 'Bob', 200),
 
(3, 'Charlie', 300),
 
(4, 'Denis', 400),
 
(5, 'Edith', 500)]

將CSV文件轉(zhuǎn)換成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"}

將行定界的JSON格式轉(zhuǎn)換成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？

格式轉(zhuǎn)換是有挑戰(zhàn)性的。任意兩個(gè)數(shù)據(jù)格式之間的健壯、高效的格式轉(zhuǎn)換，都充滿了特殊情況和奇怪的庫(kù)。常見的解決方案是通過一個(gè)通用格式，例如DataFrame或流內(nèi)存列表、字典等，進(jìn)行格式轉(zhuǎn)換。（見dat）或者通過序列化格式，例如ProtoBuf或Thrift，進(jìn)行格式轉(zhuǎn)換。這些都是很好的選擇，往往也是你想要的。然而有時(shí)候這樣的轉(zhuǎn)換是比較慢的，特別是當(dāng)你在實(shí)時(shí)計(jì)算系統(tǒng)上轉(zhuǎn)換，或面對(duì)苛刻的存儲(chǔ)解決方案時(shí)。

考慮一個(gè)例子，在numpy.recarray和pandas.DataFrame之間進(jìn)行數(shù)據(jù)遷移。我們可以非常快速地，適當(dāng)?shù)剡w移這些數(shù)據(jù)。數(shù)據(jù)的字節(jié)不需要更改，只更改其周圍的元數(shù)據(jù)即可。我們不需要將數(shù)據(jù)序列化到一個(gè)交換格式，或轉(zhuǎn)換為中間的純Python對(duì)象。

考慮從CSV文件遷移數(shù)據(jù)到一個(gè)PostgreSQL數(shù)據(jù)庫(kù)。通過SQLAlchemy（注：一個(gè)Python環(huán)境下的數(shù)據(jù)庫(kù)工具箱）使用Python迭代器，我們的遷移速度不太可能超過每秒2000條記錄。然而使用PostgreSQL自帶的CSV加載器，我們的遷移速度可以超過每秒50000條記錄?；ㄙM(fèi)一整晚的時(shí)間和花費(fèi)一杯咖啡的時(shí)間進(jìn)行數(shù)據(jù)遷移，是有很大區(qū)別的。然而這需要我們?cè)谔厥馇闆r下，能足夠靈活的使用特殊代碼。

專門的兩兩互換工具往往比通用解決方案快一個(gè)數(shù)量級(jí)。

Into項(xiàng)目是那些成對(duì)地?cái)?shù)據(jù)遷移組成的一個(gè)網(wǎng)絡(luò)。我們利用下圖展示這個(gè)網(wǎng)絡(luò)：

每個(gè)節(jié)點(diǎn)是一種數(shù)據(jù)格式。每個(gè)定向的邊是一個(gè)在兩種數(shù)據(jù)格式之間轉(zhuǎn)換數(shù)據(jù)的函數(shù)。into函數(shù)的一個(gè)調(diào)用，可能會(huì)遍歷多個(gè)邊和多個(gè)中間格式。例如，當(dāng)我們將CSV文件遷移到Mongo數(shù)據(jù)庫(kù)時(shí)，我們可以采取以下路徑：

?將CSV文件加載到DataFrame中（利用pandas.read_csv）

?然后轉(zhuǎn)換為np.recarray（利用DataFrame.to_records）

?接著轉(zhuǎn)換為一個(gè)Python的迭代器類型（利用np.ndarray.tolist）

?最終轉(zhuǎn)換成Mongo中的數(shù)據(jù)（利用pymongo.Collection.insert）

或者我們可以使用MongoDB自帶的CSV加載器，編寫一個(gè)特殊函數(shù)，用一個(gè)從CSV到Mongo的定向邊縮短整個(gè)處理過程。

為了找到最有效的路線，我們利用相對(duì)成本（引入權(quán)重的ad-hoc）給這個(gè)網(wǎng)絡(luò)的所有邊賦予權(quán)重值。然后我們使用networkx找到最短路徑，進(jìn)而進(jìn)行數(shù)據(jù)遷移。如果某個(gè)邊由于某種原因失敗了（引發(fā)NotImplementedError），我們可以自動(dòng)重新尋找路徑。這樣我們的遷移方法是既高效又健壯的。

注意，我們給某些節(jié)點(diǎn)涂上紅色。這些節(jié)點(diǎn)的數(shù)據(jù)量可以大于內(nèi)存。當(dāng)我們?cè)趦蓚€(gè)紅色節(jié)點(diǎn)之間進(jìn)行數(shù)據(jù)遷移時(shí)（輸入和輸出的數(shù)據(jù)量都可能大于內(nèi)存），我們限制我們的路徑始終在紅色子圖中，以確保遷移路徑中間的數(shù)據(jù)不會(huì)溢出。需要注意的一種格式是chunks(…)，例如chunks(DataFrame)是一個(gè)可迭代的，在內(nèi)存中的DataFrames。這個(gè)方便的元格式允許我們?cè)诖髷?shù)據(jù)上使用緊湊的數(shù)據(jù)結(jié)構(gòu)，例如numpy的arrays和pandas的DataFrames，同時(shí)保持在內(nèi)存中數(shù)據(jù)的只有幾十兆字節(jié)。

這種網(wǎng)絡(luò)化的方法允許開發(fā)者對(duì)于特殊情況編寫專門的代碼，同時(shí)確信這段代碼只在正確的情況下使用。這種方法允許我們利用一個(gè)獨(dú)立的、可分離的方式處理一個(gè)非常復(fù)雜的問題。中央調(diào)度系統(tǒng)讓我們保持頭腦清醒。

歷史

很久以前，我寫過into鏈接到Blaze的文章，然后我立即就沉默了。這是因?yàn)榕f的實(shí)現(xiàn)方法（網(wǎng)絡(luò)方法之前）很難擴(kuò)展或維護(hù)，也沒有準(zhǔn)備好進(jìn)入其黃金期。

我很滿意這個(gè)網(wǎng)絡(luò)。意想不到的應(yīng)用程序經(jīng)常能夠正常運(yùn)行，into工程現(xiàn)在也準(zhǔn)備好進(jìn)入其黃金期了。Into工程可以通過conda和pip得到，而獨(dú)立于Blaze。它主要的依賴為NumPy、Pandas和NetworkX，所以對(duì)于閱讀我博客的大部分人來說，它算是相對(duì)輕量級(jí)的。如果你想利用一些性能更好的格式，例如HDF5，你將同樣需要安裝這些庫(kù)（pro-tip，使用conda安裝）。

如何開始使用into函數(shù)

你應(yīng)該下載一個(gè)最近版本的into工程。
 

$ pip install --upgrade git+https://github.com/ContinuumIO/into
 
or
 
$ conda install into --channel blaze

然后你可能想要通過該教程的上半部分，或者閱讀該文檔。

又或者不閱讀任何東西，只是試一試。我的希望是，這個(gè)接口很簡(jiǎn)單（只有一個(gè)函數(shù)?。?，用戶可以自然地使用它。如果你運(yùn)行中出現(xiàn)了問題，那么我很愿意在blaze-dev@continuum.io中聽到它們。

最新評(píng)論