首页
/ AWS SDK for pandas 使用教程

AWS SDK for pandas 使用教程

2024-09-15 23:19:44作者:乔或婵

1. 项目介绍

AWS SDK for pandas(awswrangler)是一个由AWS专业服务团队开发的Python开源项目,旨在将pandas库的功能扩展到AWS云环境中。该项目通过连接pandas DataFrames与AWS的数据和分析服务,简化了数据处理和分析的流程。AWS SDK for pandas支持与多种AWS服务集成,包括Athena、Glue、Redshift、Timestream、OpenSearch、Neptune、QuickSight、Chime、CloudWatchLogs、DynamoDB、EMR、SecretManager、PostgreSQL、MySQL、SQLServer和S3等。

2. 项目快速启动

安装

首先,使用pip安装AWS SDK for pandas:

pip install awswrangler

快速启动代码示例

以下是一个简单的代码示例,展示了如何使用AWS SDK for pandas进行数据存储和检索:

import awswrangler as wr
import pandas as pd
from datetime import datetime

# 创建一个DataFrame
df = pd.DataFrame({"id": [1, 2], "value": ["foo", "boo"]})

# 将数据存储到S3 Data Lake
wr.s3.to_parquet(
    df=df,
    path="s3://bucket/dataset/",
    dataset=True,
    database="my_db",
    table="my_table"
)

# 从Amazon S3直接检索数据
df = wr.s3.read_parquet("s3://bucket/dataset/", dataset=True)

# 从Amazon Athena检索数据
df = wr.athena.read_sql_query("SELECT * FROM my_table", database="my_db")

# 获取Redshift连接并从Redshift Spectrum检索数据
con = wr.redshift.connect("my-glue-connection")
df = wr.redshift.read_sql_query("SELECT * FROM external_schema.my_table", con=con)
con.close()

# Amazon Timestream写入
df = pd.DataFrame({
    "time": [datetime.now(), datetime.now()],
    "my_dimension": ["foo", "boo"],
    "measure": [1.0, 1.1]
})
rejected_records = wr.timestream.write(
    df,
    database="sampleDB",
    table="sampleTable",
    time_col="time",
    measure_col="measure",
    dimensions_cols=["my_dimension"]
)

# Amazon Timestream查询
result = wr.timestream.query("""
    SELECT time, measure_value::double, my_dimension
    FROM "sampleDB"."sampleTable"
    ORDER BY time DESC LIMIT 3
""")

3. 应用案例和最佳实践

数据湖集成

AWS SDK for pandas可以轻松地将数据存储到S3数据湖中,并从数据湖中检索数据。通过与AWS Glue和Athena的集成,用户可以方便地进行数据目录管理和查询。

数据仓库集成

通过与Amazon Redshift的集成,用户可以轻松地将数据加载到Redshift中,并从Redshift Spectrum中检索数据。这使得用户可以在数据仓库中进行大规模的数据处理和分析。

时序数据处理

AWS SDK for pandas支持与Amazon Timestream的集成,使用户能够轻松地处理和分析时序数据。通过Timestream,用户可以存储和查询大规模的时序数据。

4. 典型生态项目

Modin

Modin是一个用于加速pandas工作负载的开源项目,通过分布式处理来提高数据处理速度。AWS SDK for pandas可以与Modin集成,以在分布式环境中运行数据处理任务。

Ray

Ray是一个用于构建分布式应用程序的开源框架。AWS SDK for pandas可以通过Ray来扩展其功能,使用户能够在分布式集群上运行数据处理任务。

Apache Arrow

Apache Arrow是一个用于内存数据的高性能跨语言开发平台。AWS SDK for pandas基于Apache Arrow构建,提供了高效的数据处理能力。

通过这些生态项目的集成,AWS SDK for pandas为用户提供了强大的数据处理和分析能力,使其能够在AWS云环境中高效地处理大规模数据。

登录后查看全文
热门项目推荐

项目优选

收起
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
152
1.97 K
kernelkernel
deepin linux kernel
C
22
6
ops-mathops-math
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
426
34
communitycommunity
本项目是CANN开源社区的核心管理仓库,包含社区的治理章程、治理组织、通用操作指引及流程规范等基础信息
239
9
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
145
190
openHiTLSopenHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
988
394
nop-entropynop-entropy
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
193
274
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
936
554
金融AI编程实战金融AI编程实战
为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Python
75
69