如何解决使用熊猫从Redshift中读取bigintint8列数据而无需科学计数法
我正在使用Pandas从Redshift读取数据。我有一列bigint
(int8
)列以指数形式出现。
我尝试了以下方法,但是在这种情况下却被数据截断了。
该列中数据的样本值是:635284328055690862
。读为6.352843e+17
。
我试图用Python将其转换为int64
。
import numpy as np
df["column_name"] = df["column_name"].astype(np.int64)
在这种情况下,输出为:635284328055690880
。在这里,我丢失了数据,最后将其缩放为0
。
预期输出:635284328055690862
即使这样做,我也会得到相同的结果。
pd.set_option('display.float_format',lambda x: '%.0f' % x)
输出:635284328055690880
预期输出:635284328055690862
这似乎是正常的熊猫行为。我什至尝试使用列表创建数据框,但仍然得到相同的结果。
import pandas as pd
import numpy as np
pd.set_option('display.float_format',lambda x: '%.0f' % x)
sample_data = [[635284328055690862,758364950923147626],[np.NaN,np.NaN],[1,3]]
df = pd.DataFrame(sample_data)
Output:
0 635284328055690880 758364950923147648
1 nan nan
2 1 3
我注意到的是,每当数据帧中有nan
时,就会遇到这个问题。
我正在使用以下代码从Redshift获取数据。
from sqlalchemy import create_engine
import pandas as pd
connstr = 'redshift+psycopg2://<username>:<password>@<cluster_name>/<db_name>'
engine = create_engine(connstr)
with engine.connect() as conn,conn.begin():
df = pd.read_sql('''select * from schema.table_name''',conn)
print(df)
请帮助我解决此问题。预先感谢。
解决方法
之所以会发生这种情况,是因为标准整数数据类型无法提供表示缺失数据的方法。由于浮点数据类型确实提供了nan
,因此处理此问题的旧方法是将缺少数据的数字列转换为float
。
为解决此问题,熊猫引入了Nullable integer data type。如果您做的事情像读取csv
一样简单,则可以在对read_csv
的调用中明确指定这种类型,如下所示:
>>> pandas.read_csv('sample.csv',dtype="Int64")
column_a column_b
0 635284328055690880 45564
1 <NA> 45
2 1 <NA>
3 1 5
但是,问题仍然存在!看来即使635284328055690862可以表示为64位整数,但在某些时候,pandas
仍将值传递给浮点转换步骤,从而更改了值。这很奇怪,甚至值得作为熊猫开发者的一个问题来提出来。
在这种情况下,我看到的最佳解决方法是使用“对象”数据类型,如下所示:
>>> pandas.read_csv('sample.csv',dtype="object")
column_a column_b
0 635284328055690862 45564
1 NaN 45
2 1 NaN
3 1 5
这将保留大整数的确切值,并且还允许NaN
值。但是,由于这些现在是 python对象的数组,因此对计算密集型任务的性能会有重大影响。此外,在仔细检查中,它们似乎是Python str
对象,因此我们仍然需要另一个转换步骤。令我惊讶的是,没有直接的方法。这是我能做的最好的事情:
def col_to_intNA(col):
return {ix: pandas.NA if pandas.isnull(v) else int(v)
for ix,v in col.to_dict().items()}
sample = {col: col_to_intNA(sample[col])
for col in sample.columns}
sample = pandas.DataFrame(sample,dtype="Int64")
这给出了预期的结果:
>>> sample
column_a column_b
0 635284328055690862 45564
1 <NA> 45
2 1 <NA>
3 1 5
>>> sample.dtypes
column_a Int64
column_b Int64
dtype: object
因此可以解决一个问题。但是又出现了第二个问题,因为从Redshift数据库中读取数据,通常会使用read_sql
,它没有提供任何指定数据类型的方法。
所以我们要自己滚!这基于您发布的代码以及pandas_redshift
library的一些代码。它直接使用psycopg2
,而不是使用sqlalchemy
,因为我不确定sqlalchemy
是否提供接受RealDictCursor
的cursor_factory
参数。 注意:我根本没有测试过,因为我懒得只为测试StackOverflow答案而设置postgres数据库!我认为应该可以,但是我不确定。请让我知道它是否有效和/或需要更正的内容。
import psycopg2
from psycopg2.extras import RealDictCursor # Turn rows into proper dicts.
import pandas
def row_null_to_NA(row):
return {col: pandas.NA if pandas.isnull(val) else val
for col,val in row.items()}
connstr = 'redshift+psycopg2://<username>:<password>@<cluster_name>/<db_name>'
try: # `with conn:` only closes the transaction,not the connection
conn = psycopg2.connect(connstr,cursor_factory=RealDictCursor)
cursor = conn.cursor()
cursor.execute('''select * from schema.table_name''')
# The DataFrame constructor accepts generators of dictionary rows.
df = pandas.DataFrame(
(row_null_to_NA(row) for row in cursor.fetchall()),dtype="Int64"
)
finally:
conn.close()
print(df)
请注意,这假设您的所有列都是整数列。如果没有,您可能需要逐列加载数据。
,修复之一可以是代替select * from schema.table_name
。您可以分别传递所有列,然后转换特定列。
假设表中有 5 列,col2 是 bigint(int8)
列。所以,你可以阅读如下:
from sqlalchemy import create_engine
import pandas as pd
connstr = 'redshift+psycopg2://<username>:<password>@<cluster_name>/<db_name>'
engine = create_engine(connstr)
with engine.connect() as conn,conn.begin():
df = pd.read_sql('''select col1,cast(col2 as int),col3,col4,col5... from schema.table_name''',conn)
print(df)
PS:我不确定这是最聪明的解决方案,但从逻辑上讲,如果 python 无法正确转换为 int64
,那么我们可以从 SQL
本身读取转换值。
此外,如果长度超过 17,我想尝试动态转换 int 列。
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。