Menu Docs
Página inicial do Docs
/ / /
PyMongoArrow

Início rápido

Nesta página

  • Pré-requisitos
  • Estendendo o PyMongo
  • Dados de teste
  • Definindo o esquema
  • Encontrar operações
  • Operações agregadas
  • Escrevendo no MongoDB
  • Ignore Empty Values
  • Escrevendo para outros formatos

Este tutorial destina-se a ser uma introdução ao trabalho com o PyMongoArrow. O tutorial pressupõe que o leitor esteja familiarizado com os conceitos básicosdo PyMongo e do MongoDB .

Verifique se você tem a distribuição PyMongoArrow instalada. Na shell do Python, o seguinte deve ser executado sem gerar uma exceção:

>>> import pymongoarrow as pma

Este tutorial também pressupõe que uma instância MongoDB esteja sendo executada no host e na porta padrão. Depois de baixar e instalar o MongoDB, você pode iniciá-lo conforme mostrado no exemplo de código a seguir:

$ mongod

O módulo pymongoarrow.monkey fornece uma interface para corrigir o PyMongo e adicionar a funcionalidade do PyMongoArrow diretamente às instâncias Collection :

from pymongoarrow.monkey import patch_all
patch_all()

Após executar o método monkey.patch_all() , as novas instâncias da classe Collection conterão as APIs do PyMongoArrow-- por exemplo, o método pymongoarrow.api.find_pandas_all() .

Observação

Você também pode usar qualquer uma das APIs do PyMongoArrow importando-as do módulo pymongoarrow.api . Se fizer isso, você deverá passar a instância do Collection na qual a operação deve ser executada como o primeiro argumento ao chamar o método de API.

O seguinte código usa o PyMongo para adicionar dados de amostra ao seu cluster:

from datetime import datetime
from pymongo import MongoClient
client = MongoClient()
client.db.data.insert_many([
{'_id': 1, 'amount': 21, 'last_updated': datetime(2020, 12, 10, 1, 3, 1), 'account': {'name': 'Customer1', 'account_number': 1}, 'txns': ['A']},
{'_id': 2, 'amount': 16, 'last_updated': datetime(2020, 7, 23, 6, 7, 11), 'account': {'name': 'Customer2', 'account_number': 2}, 'txns': ['A', 'B']},
{'_id': 3, 'amount': 3, 'last_updated': datetime(2021, 3, 10, 18, 43, 9), 'account': {'name': 'Customer3', 'account_number': 3}, 'txns': ['A', 'B', 'C']},
{'_id': 4, 'amount': 0, 'last_updated': datetime(2021, 2, 25, 3, 50, 31), 'account': {'name': 'Customer4', 'account_number': 4}, 'txns': ['A', 'B', 'C', 'D']}])

O PyMongoArrow depende de um esquema de dados para organizar conjuntos de resultados de query em formato tabular. If you don't provide this schema, PyMongoArrow infers one from the data. Você pode definir o esquema criando um objeto Schema e mapeando os nomes dos campos para especificadores de tipo, conforme mostrado no exemplo a seguir:

from pymongoarrow.api import Schema
schema = Schema({'_id': int, 'amount': float, 'last_updated': datetime})

O MongoDB usa documentos incorporados para representar dados aninhados. O PyMongoArrow oferece suporte de primeira classe para estes documentos:

schema = Schema({'_id': int, 'amount': float, 'account': { 'name': str, 'account_number': int}})

O PyMongoArrow também suporta listas e listas aninhadas:

from pyarrow import list_, string
schema = Schema({'txns': list_(string())})
polars_df = client.db.data.find_polars_all({'amount': {'$gt': 0}}, schema=schema)

Dica

O PyMongoArrow inclui vários identificadores de tipo permitidos para cada tipo de BSON suportado. Para obter uma lista completa desses tipos de dados e seus identificadores de tipo associados, consulte Tipos de dados.

O seguinte exemplo de código mostra como carregar todos os registros que têm um valor diferente de zero para o campo amount como um objeto pandas.DataFrame :

df = client.db.data.find_pandas_all({'amount': {'$gt': 0}}, schema=schema)

Você também pode carregar o mesmo conjunto de resultados que uma instância do pyarrow.Table :

arrow_table = client.db.data.find_arrow_all({'amount': {'$gt': 0}}, schema=schema)

Ou como uma instância polars.DataFrame :

df = client.db.data.find_polars_all({'amount': {'$gt': 0}}, schema=schema)

Ou como um objeto NumPy arrays :

ndarrays = client.db.data.find_numpy_all({'amount': {'$gt': 0}}, schema=schema)

Ao usar o NumPy, o valor retornado é um dicionário onde as chaves são nomes de campos e os valores são as instâncias numpy.ndarray correspondentes.

Observação

Em todos os exemplos anteriores, você pode omitir o esquema como mostrado no exemplo a seguir:

arrow_table = client.db.data.find_arrow_all({'amount': {'$gt': 0}})

Se você omitir o esquema, o PyMongoArrow tentará aplicar automaticamente um esquema com base nos dados contidos no primeiro lote.

A execução de uma operação agregada é semelhante à execução de uma operação de busca, mas é necessária uma sequência de operações para ser executada.

O seguinte é um exemplo simples do método aggregate_pandas_all() que gera um novo dataframe no qual todos os valores _id são agrupados e seus valores amount somados:

df = client.db.data.aggregate_pandas_all([{'$group': {'_id': None, 'total_amount': { '$sum': '$amount' }}}])

Você também pode executar operações agregadas em documentos incorporados. O exemplo a seguir desenrola os valores no campo txn aninhado, conta o número de cada valor e retorna os resultados como uma lista de objetos NumPy ndarray , classificados em ordem decrescente:

pipeline = [{'$unwind': '$txns'}, {'$group': {'_id': '$txns', 'count': {'$sum': 1}}}, {'$sort': {"count": -1}}]
ndarrays = client.db.data.aggregate_numpy_all(pipeline)

Dica

Para obter mais informações sobre pipelines de agregação, consulte a documentação doMongoDB Server .

Você pode utilizar o método write() para gravar objetos dos seguintes tipos no MongoDB:

  • Seta Table

  • Pandas DataFrame

  • NumPy ndarray

  • Áries DataFrame

from pymongoarrow.api import write
from pymongo import MongoClient
coll = MongoClient().db.my_collection
write(coll, df)
write(coll, arrow_table)
write(coll, ndarrays)

Observação

As matrizes NumPy são especificadas como dict[str, ndarray].

O método write() aceita opcionalmente um parâmetro booleano exclude_none. Se você definir este parâmetro como True, o driver não gravará valores vazios no banco de banco de dados. Se você definir esse parâmetro como False ou deixá-lo em branco, o driver gravará None para cada campo vazio.

O código no exemplo a seguir escreve uma seta Table para o MongoDB duas vezes. Um dos valores no campo 'b' está definido como None.

A primeira chamada para o método write() omite o parâmetro exclude_none, então o padrão é False. Todos os valores em Table, incluindo None, são gravados no banco de banco de dados. A segunda chamada para o método write() define exclude_none como True, portanto, o valor vazio no campo 'b' é ignorado.

data_a = [1, 2, 3]
data_b = [1, None, 3]
data = Table.from_pydict(
{
"a": data_a,
"b": data_b,
},
)
coll.drop()
write(coll, data)
col_data = list(coll.find({}))
coll.drop()
write(coll, data, exclude_none=True)
col_data_exclude_none = list(coll.find({}))
print(col_data)
print(col_data_exclude_none)
{'_id': ObjectId('...'), 'a': 1, 'b': 1}
{'_id': ObjectId('...'), 'a': 2, 'b': None}
{'_id': ObjectId('...'), 'a': 3, 'b': 3}
{'_id': ObjectId('...'), 'a': 1, 'b': 1}
{'_id': ObjectId('...'), 'a': 2}
{'_id': ObjectId('...'), 'a': 3, 'b': 3}

Depois que os conjuntos de resultados forem carregados, você poderá escrevê-los em qualquer formato suportado pelo pacote.

Por exemplo, para gravar a tabela referenciada pela variável arrow_table em um arquivo Parquet denominado example.parquet , execute o seguinte código:

import pyarrow.parquet as pq
pq.write_table(arrow_table, 'example.parquet')

O Pandas também suporta a gravação de instâncias do DataFrame em uma variedade de formatos, incluindo CSV e alta definição. Para escrever o período de dados referenciado pela variável df em um arquivo CSV denominado out.csv, execute o seguinte código:

df.to_csv('out.csv', index=False)

A Polars API é uma mistura dos dois exemplos anteriores:

import polars as pl
df = pl.DataFrame({"foo": [1, 2, 3, 4, 5]})
df.write_parquet('example.parquet')

Observação

Os dados aninhados são suportados para operações de leitura e escrita em parquet, mas não são bem suportados pelo Arrow ou Pandas para operações de leitura e escrita CSV.

Voltar

Instalação e atualização