将嵌套 MongoDB 导入到 Pandas

Question

我在 MongoDB 中有一个包含大量嵌套文档的集合，我想展平并导入到 Pandas 中。有一些嵌套的字典，还有我想要转换为列的字典列表（有关详细信息，请参阅下面的示例）。

我已经有了适用于小批量文档的功能。但解决方案（我在这个问题的答案中找到了它）使用 json. 该json.loads操作的问题是，它会MemoryError因集合中的选择过多而失败。

我尝试了许多建议其他 json 解析器（例如 ijson）的解决方案，但由于不同的原因，它们都没有解决我的问题。如果我想通过 json 继续进行转换，剩下的唯一方法就是将更大的选择分成更小的文档组并迭代解析。

此时我想，——这是我的主要问题——也许有一种更聪明的方法来取消嵌套，而无需直接在 MongoDB 或 Pandas 中或以某种方式组合通过 json 绕道？

这是一个简短的示例文档：

{
  '_id': ObjectId('5b40fcc4affb061b8871cbc5'),
  'eventId': 2,
  'sId' : 6833,
  'stage': {
    'value': 1,
    'Name': 'FirstStage'
  },
  'quality': [
    {
      'type': {
        'value': 2,
        'Name': 'Color'
      },
      'value': '124'
    },
    {
      'type': {
        'value': 7,
        'Name': 'Length'
      },
      'value': 'Short'
    },
    {
      'type': {
        'value': 15,
        'Name': 'Printed'
      }
    }
}

这就是成功的数据帧表示的样子（为了便于阅读，我跳过了“_id”和“sId”列：

    eventId    stage.value    stage.name    q_color    q_length    q_printed
1   2          1              'FirstStage'  124        'Short'     1 

到目前为止我的代码（遇到内存问题 - 见上文）：

def load_events(filter = 'sId', id = 6833, all = False):
  if all:
    print('Loading all events.')
    cursor = events.find()
  else:
    print('Loading events with %s equal to %s.' %(filter, id))
    print('Filtering...')
    cursor = events.find({filter : id})

  print('Loading...')
  l = list(cursor)

  print('Parsing json...')
  sanitized = json.loads(json_util.dumps(l))

  print('Parsing quality...')
  for ev in sanitized:
    for q in ev['quality']:
        name = 'q_' + str(q['type']['Name'])
        value = q.pop('value', 1)
        ev[name] = value
    ev.pop('quality',None)

  normalized = json_normalize(sanitized)

  df = pd.DataFrame(normalized)

  return df

Answer 1

您不需要使用 json 解析器转换嵌套结构。只需从记录列表创建数据框：

df = DataFrame(list(cursor))

然后使用 pandas 来解压您的列表和字典：

import pandas
from itertools import chain
import numpy

df = pandas.DataFrame(t)
df['stage.value'] = df['stage'].apply(lambda cell: cell['value'])
df['stage.name'] = df['stage'].apply(lambda cell: cell['Name'])
df['q_']= df['quality'].apply(lambda cell: [(m['type']['Name'], m['value'] if 'value' in m.keys() else 1) for m in cell])
df['q_'] = df['q_'].apply(lambda cell: dict((k, v) for k, v in cell))
keys = set(chain(*df['q_'].apply(lambda column: column.keys())))
for key in keys:
    column_name = 'q_{}'.format(key).lower()
    df[column_name] = df['q_'].apply(lambda cell: cell[key] if key in cell.keys() else numpy.NaN) 
df.drop(['stage', 'quality', 'q_'], axis=1, inplace=True)

我使用三个步骤来解压嵌套数据类型。首先，名称和值用于创建对（元组）的平面列表。在第二步中，基于元组的字典从元组的第一个位置获取键并从第二个位置获取值。然后，使用集合一次提取所有现有属性名称。每个属性都使用循环获取一个新列。在循环内部，每对的值都映射到相应的列单元格。