web-dev-qa-db-ja.com

データフレームをcsvに直接s3に保存Python

新しいCSVファイルにアップロードするpandas DataFrameがあります。問題は、s3に転送する前にファイルをローカルに保存したくないことです。データフレームをs3に直接書き込むto_csvのような方法はありますか？ boto3を使用しています。
これは私がこれまでに持っているものです。

import boto3
s3 = boto3.client('s3', aws_access_key_id='key', aws_secret_access_key='secret_key')
read_file = s3.get_object(Bucket, Key)
df = pd.read_csv(read_file['Body'])

# Make alterations to DataFrame

# Then export DataFrame to CSV through direct transfer to s3
pythoncsvamazon-s3dataframeboto3
67
user2494275

次を使用できます。

from io import StringIO # python3; python2: BytesIO 
import boto3

csv_buffer = StringIO()
df.to_csv(csv_buffer)
s3_resource = boto3.resource('s3')
s3_resource.Object(bucket, 'df.csv').put(Body=csv_buffer.getvalue())
81
Stefan

s3fs が好きです。これにより、ローカルファイルシステムのように（ほぼ）s3を使用できます。

あなたはこれを行うことができます：

import s3fs

bytes_to_write = df.to_csv(None).encode()
fs = s3fs.S3FileSystem(key=key, secret=secret)
with fs.open('s3://bucket/path/to/file.csv', 'wb') as f:
    f.write(bytes_to_write)

s3fsは、ファイルを開くrbおよびwbモードのみをサポートしているため、これをbytes_to_writeで行いました。

43
michcio1234

これは最新の回答です：

import s3fs

s3 = s3fs.S3FileSystem(anon=False)

# Use 'w' for py3, 'wb' for py2
with s3.open('<bucket-name>/<filename>.csv','w') as f:
    df.to_csv(f)

StringIOの問題は、メモリを使い果たしてしまうことです。この方法では、ファイルを文字列に変換してからs3に書き込むのではなく、ファイルをs3にストリーミングします。 pandasデータフレームとその文字列コピーをメモリに保持することは非常に効率が悪いようです。

Ec2インスタントで作業している場合、s3への書き込みを可能にするIAMロールを与えることができるため、資格情報を直接渡す必要はありません。ただし、S3FileSystem()関数に資格情報を渡すことでバケットに接続することもできます。ドキュメントを参照してください： https://s3fs.readthedocs.io/en/latest/

26
erncyp

S3パスを直接使用できます。 Pandas 0.24.1 を使用しています

In [1]: import pandas as pd

In [2]: df = pd.DataFrame( [ [1, 1, 1], [2, 2, 2] ], columns=['a', 'b', 'c'])

In [3]: df
Out[3]:
   a  b  c
0  1  1  1
1  2  2  2

In [4]: df.to_csv('s3://experimental/playground/temp_csv/dummy.csv', index=False)

In [5]: pd.__version__
Out[5]: '0.24.1'

In [6]: new_df = pd.read_csv('s3://experimental/playground/temp_csv/dummy.csv')

In [7]: new_df
Out[7]:
   a  b  c
0  1  1  1
1  2  2  2

リリースノート：

S3ファイル処理

pandasは、S3接続の処理にs3fsを使用するようになりました。これによりコードが破損することはありません。ただし、s3fsは必須の依存関係ではないため、以前のバージョンのpandasのbotoのように、s3fsを個別にインストールする必要があります。 GH11915 。

14
Amit Kushwaha

Noneを to_csv() の最初の引数として渡すと、データは文字列として返されます。そこからS3に一度にアップロードするのは簡単なステップです。

StringIOオブジェクトをto_csv()に渡すことも可能ですが、文字列を使用する方が簡単です。

12
mhawke

バケットs3から2列のcsvを読み取り、ファイルcsvのコンテンツをpandasデータフレームに入れました。

例：

config.json

{
  "credential": {
    "access_key":"xxxxxx",
    "secret_key":"xxxxxx"
}
,
"s3":{
       "bucket":"mybucket",
       "key":"csv/user.csv"
   }
}

cls_config.json

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import os
import json

class cls_config(object):

    def __init__(self,filename):

        self.filename = filename


    def getConfig(self):

        fileName = os.path.join(os.path.dirname(__file__), self.filename)
        with open(fileName) as f:
        config = json.load(f)
        return config

cls_pandas.py

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import pandas as pd
import io

class cls_pandas(object):

    def __init__(self):
        pass

    def read(self,stream):

        df = pd.read_csv(io.StringIO(stream), sep = ",")
        return df

cls_s3.py

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import boto3
import json

class cls_s3(object):

    def  __init__(self,access_key,secret_key):

        self.s3 = boto3.client('s3', aws_access_key_id=access_key, aws_secret_access_key=secret_key)

    def getObject(self,bucket,key):

        read_file = self.s3.get_object(Bucket=bucket, Key=key)
        body = read_file['Body'].read().decode('utf-8')
        return body

test.py

#!/usr/bin/env python
# -*- coding: utf-8 -*-

from cls_config import *
from cls_s3 import *
from cls_pandas import *

class test(object):

    def __init__(self):
        self.conf = cls_config('config.json')

    def process(self):

        conf = self.conf.getConfig()

        bucket = conf['s3']['bucket']
        key = conf['s3']['key']

        access_key = conf['credential']['access_key']
        secret_key = conf['credential']['secret_key']

        s3 = cls_s3(access_key,secret_key)
        ob = s3.getObject(bucket,key)

        pa = cls_pandas()
        df = pa.read(ob)

        print df

if __== '__main__':
    test = test()
    test.process()
0
Jamir Josimar Huamán Campos